Fraud AI Monitoring — антифрод в реальном времени

Крупный банк использовал rule-based систему обнаружения мошенничества, которая пропускала 18% фродовых транзакций (false negative). Команда из 8 аналитиков вручную разбирала подозрительные операции, что приводило к задержкам и высоким операционным расходам. Потери от мошенничества составляли значительную сумму ежегодно.

ITQuick разработал ML-модель антифрода на основе Python и TensorFlow, интегрированную в потоковую обработку через Kafka. Система анализирует транзакции в реальном времени, выявляя аномалии и паттерны мошенничества с минимальным количеством ложных срабатываний. Модель обучена на исторических данных банка и постоянно дообучается на новых кейсах.

false negative снизился с 18% до 2%, команда аналитиков сократилась с 8 до 1 человека, предотвращённые потери составляют около 90 млн ₽ в год. Экономия на операционных расходах — 36,9 млн ₽.