Najlepsze narzędzia do regulacji hiperparametrów i automatycznego maszynowego uczenia 2025: Całkowity przewodnik oceny dla przedsiębiorstw

Zakres zastosowań: Systemy do wykrywania fałszerstw w sektorze finansowym pozwalają na osiągnięcie 98% dokładności, co prowadzi do zmniejszenia fałszywych sygnałów o 40%.

Wyzwanie: Duża bank napotkała wysoki poziom transakcji fałszywych, co prowadziło do wielu fałszywych sygnałów, co ujemnie wpływało na doświadczenie klienta i koszty operacyjne. Tradycyjne systemy wykrywania fałszerstw oparte na zasadach regulaminowych okazały się nieefektywne w obsługiwaniu zmieniających się wzorców fałszerstwa.

Zaimplementowanie AutoML: Została zaimplementowana platforma AutoML, która używała maszyn gradientowych i modeli uczenia głębokiego na podstawie danych transakcyjnych, w tym cech takich jak godzina dnia, lokalizacja, kwota, kategoria handlowa merchantha oraz informacje o urządzeniu. System automatycznie wykonywał inżynierię cech (na przykład tworzenie proporcji między kwotami) i regulacją hiperparametrów.

Wyniki: System do wykrywania fałszerstw oparty na AutoML osiągnął 98% dokładności w wykrywaniu transakcji fałszywych, co stanowi duży ulepszenie w porównaniu z poprzednim modeliem o 85%. Ostatecznie, system zmniejszył fałszywe sygnały o 40%, co minimalizowało przeszkody dla prawidłowych klientów – zapewniając oszczędności bankowi w wysokości ok. 1,2 miliona dolców rocznie. Dane pokazują, że zmniejszenie fałszywych sygnałów przekształciło się bezpośrednio w 25% mniejsze koszty operacyjne związane z badaniem transakcji oznaczonych jako podejrzane.