Brief #20 · Machine Learning
Mobile Wallet Fraud Detection
Medium⏱ 14-20 ঘণ্টাশীঘ্রই
bKash ধাঁচের একটা ledger এ জালিয়াতির transfer ধরো, যেখানে ৫০০ টার মধ্যে মাত্র ১টা জাল: আচরণ থেকে feature, সময় ধরে ভাগ, আর ভুলের খরচ দেখে বাছা threshold।
Outline free · tracking সহ বানাতে Pro লাগবে
MBriefTeam এর পক্ষ থেকে
জালিয়াতরা ভুয়া 'আপনি পুরস্কার জিতেছেন' call দিয়ে account খালি করছে। আমাদের নিয়ম ('রাতে ২৫,০০০ টাকার বেশি transfer আটকাও') সৎ মানুষকে আটকায় আর বেশিরভাগ জালিয়াতি ধরতে পারে না। এমন একটা model বানাও, যেটা নিয়মের চেয়ে বেশি জালিয়াতি ধরে আর কম সৎ customer কে বিরক্ত করে, আর প্রতিটা সতর্কতার ব্যাখ্যা দেয়।
যা বানাবে
- 1এমন একটা transaction dataset বানাও বা public একটা নাও, যেখানে জালিয়াতি প্রায় ০.২%, user, device, সময় আর পরিমাণ সহ।
- 2সময় ধরে ভাগ করো (আগের মাসগুলোতে train, শেষ মাসে test), আর ব্যাখ্যা করো random ভাগ কেন ফাঁকি দিত।
- 3আচরণ ভিত্তিক feature বানাও: user এর স্বাভাবিকের তুলনায় পরিমাণ, নতুন device, নতুন প্রাপক, শেষ এক ঘণ্টার transfer।
- 4Logistic regression আর gradient boosting train করো, আর accuracy না, precision-recall curve দিয়ে তুলনা করো।
- 5একটা ধরা না পড়া জালিয়াতি বনাম আটকানো সৎ transfer এর খরচ দেখে alert threshold বাছো, আর প্রতিটা alert এর সবচেয়ে বড় feature দিয়ে ব্যাখ্যা দাও।
ধাপে ধাপে walkthrough
Walkthrough শীঘ্রই আসছে
এই project এর ধাপে ধাপে walkthrough, প্রতিটা ধাপে আসল output সহ, এখনো লেখা হচ্ছে। ততক্ষণ brief পড়ে নিজে চেষ্টা করতে পারো; walkthrough তৈরি হলে tracking চালু হবে।
শেষ হবে যখন
- আলাদা রাখা মাসে model নিয়মের চেয়ে বেশি জালিয়াতি ধরে, একই বা কম ভুল সতর্কতায়।
- দুটো model আর নিয়মের precision-recall curve, তোমার বাছা threshold চিহ্নিত।
- কোনো feature transaction ঘটার পরের তথ্য ব্যবহার করে না।
- এক পাতার একটা model card: কী কাজে, data, metric, জানা দুর্বলতা।
আরো এগোতে চাইলে
- Stream থেকে real time এ transaction score করো, প্রতিটা ৫০ ms এর নিচে।
- পরের মাসে জালিয়াতরা কৌশল বদলাচ্ছে এমন অবস্থা বানাও, আর model কত দ্রুত দুর্বল হয় মাপো।