Strefa Klienta
Data science i machine learning stanowi około 50% generowanego w ramach projektu rozwiązania. W 50% projekt opiera się na właściwym połączeniu wszystkich systemów płatnościowych, systemów profilujących transakcje i integracji pomiędzy nimi. Dzięki temu zbudowany model jest w stanie klasyfikować transakcje w czasie rzeczywistym oraz automatycznie zamykać konkretne operacje – zdejmować blokadę na karcie kredytowej i nie dopuszczać do niepotrzebnego kontaktu z użytkownikiem, czyli do wysyłania niepokojącej wiadomości SMS – Magda Kotowska-Gawrylczyk, Plastics Fraud & Fraud CoE Optimisation Lead, Data & Analytics w NatWest.
Każda transakcja dokonywana przez klienta kartą osobistą jest weryfikowana przez system zapobiegania oszustwom finansowym. Narzędzie to, przy użyciu zestawu reguł i prognoz, klasyfikuje daną transakcję jako prawdziwą lub jako potencjalne przestępstwo. Jeśli transakcja zostanie uznana za zagrożoną przestępstwem, system uruchamia alert, odrzuca ją i blokuje odpowiednią kartę.
Efektywność działań prewencyjnych dla indywidualnych użytkowników kart kredytowych jest wysoka, ale skutkuje również wysoką liczbą tzw. false positives, czyli prawdziwych transakcji zakwalifikowanych jako oszustwo finansowe, na które bank musi zareagować. Co do zasady wiele z nich można rozwiązać self-servicem, natomiast nie wszystkie. Wówczas zespół ds. oszustw ręcznie sprawdza każdy przypadek poprzez kontakt z klientem, aby potwierdzić czy transakcja, której dotyczy alert, była prawdziwa.
– Alerty, które nie zostały obsłużone przez użytkowników za pomocą SMS-ów, generują zapytania klientów. Bank, jako instytucja zaufania publicznego, musi zająć się każdym takim problemem, by mieć pewność, że dana transakcja na pewno nie była przestępstwem. Z punktu widzenia obsługi i doświadczeń klientów ważne jest, żeby karty działały, zatem czas reakcji jest bardzo istotny. Jeżeli liczba fałszywych alertów jest oceniana jako zbyt wysoka, wiąże się to również ze znacznymi kosztami dla organizacji. Problemem, który stanowi niedoskonałość tego systemu jest odpowiednia kalibracja, którą nie można swobodnie zarządzać, gdy bank pracuje na zewnętrznym narzędziu – tłumaczy Magda Kotowska-Gawrylczyk, Plastics Fraud & Fraud CoE Optimisation Lead, Data & Analytics w NatWest.
Cel projektu
NatWest to największy bank w Wielkiej Brytanii, którego baza klientów stanowi 19 milionów użytkowników indywidualnych. Ilość dziennie wykonywanych transakcji zarówno na kartach debetowych, jak i kredytowych jest ogromna. Stąd decyzja, by stworzyć model uczenia maszynowego, który skupi swoje działanie stricte na generowanych alertach, czyli na transakcjach, które system zabezpieczający zaklasyfikował jako potencjalne przestępstwo finansowe.
Projekt NatWest skupia się wokół kalibracji systemu zapobiegania oszustwom finansowym przy użyciu najnowszej technologii. Rozwiązanie to można przyporządkować do narzędzi związanych ze sztuczną inteligencją, gdyż decyzyjność zostaje oddana stworzonemu modelowi. Będzie on wyróżniał spośród wszystkich alertów transakcje, które są przestępstwem od tych, które nim nie są.
Jeżeli model uzna, że jest to transakcja prawdziwa, automatycznie zdejmie blokadę z karty kredytowej klienta i zamknie to zgłoszenie. W takiej sytuacji klient nie będzie wiedział o możliwym niebezpieczeństwie, gdyż nie otrzyma wiadomości SMS zanim ta informacja nie zostanie zweryfikowana przez zaprojektowane w NatWest narzędzie. Co ważne, jest to model, który operuje w czasie rzeczywistym.
Rola technologii
W realizowanym projekcie technologia stanowi kręgosłup proponowanego rozwiązania. Modele związane z machine learning funkcjonują w banku od jakiegoś czasu. Jest to jednak pierwszy model machine learningowy, który jest tak ściśle zintegrowany z systemami bankowymi i jednocześnie działa w czasie rzeczywistym, opierając się w pełni o rozwiązania chmurowe w organizacji. Zakres tego rozwiązania obejmuje zarówno rozwój danych i infrastruktury wspierającej model uczenia maszynowego, jak i jego integrację z procesami zespołu zarządzania oszustwami związanymi z osobistymi kartami kredytowymi.
Wykorzystywane narzędzia
- SageMaker Pipelines
- Model Registry
- SageMaker Hosting Services
- Streamsets Data Collector
- SageMaker Endpoint
- API Gateway endpoint
- Kafka
- IBM Message Queue
- BitBucket
- Tableau
- Snowflake i inne
Bezpieczeństwo
Budowanie narzędzi w bankach, które są ściśle regulowane, wiąże się z koniecznością zapewnienia bezpieczeństwa działań.
– Musimy zapewnić, że dane użyte do modelu, sposób jego tworzenia oraz zasady, według których będzie monitorowany są wystarczające. NatWest narzucił sobie dużo ściślejsze regulacje niż te, które obecnie obowiązują na rynku, ponieważ AI Act dopiero będzie obowiązywał. Przyświeca nam misja banku, która brzmi: “helping people, families and businesses to thrive”. Zależy nam na tym, żeby obsługa klienta oraz zaufanie do rozwiązań dostarczanych naszym klientom były na absolutnie najwyższym poziomie – mówi Magda Kotowska-Gawrylczyk.
Etapy wdrażania zaawansowanej analityki
- Faza 1: Discovery
Sprawdzenie, czy w projekcie jest potencjał na rozwiązanie konkretnego problemu biznesowego.
- Faza 2: Alfa
Eksperyment, czyli próba dostarczenia uproszczonego rozwiązania w celu zweryfikowania potencjalnych wyników projektu. Wynikiem fazy alfa jest decyzja, czy kontynuujemy projekt, czy odrzucamy pomysł.
- Faza 3: Walidacja Beta
Budowa i walidacja pozwalają ocenić czy proponowane rozwiązanie będzie działało tak, jak zakładamy. W tej fazie budujemy rozwiązanie, które jest prawie gotowe. Jesteśmy w stanie ocenić, że założenia projektu zostaną osiągnięte. Przygotowujemy się do przejścia ze środowiska deweloperskiego i testowego na produkcję.
- Faza 4: Deployment Beta
Implementacja projektu w środowisku produkcyjnym.
- Faza 5: Utrzymanie
Utrzymanie zaimplementowanego rozwiązania w środowisku produkcyjnym
- Faza 6: Stop
Każdy projekt podlega regularnej ocenie, a następnie podejmowana jest decyzja co do zasadności jego kontunuowania i utrzymania. Jeżeli wdrożone rozwiązanie okazuje się już niepotrzebne, następuje jego wyłączenie.
Pełne wdrożenie modelu planowane jest na koniec września 2023 roku.
Ze względu na poziom skomplikowania całego projektu oraz jego istotny wpływ na klienta, rozwiązanie jest implantowane fazami. Model przechodzi weryfikację poprawność funkcjonowania wszystkich komponentów oraz czy nie ma potrzeby wdrożenia dodatkowych kontroli oprócz tych, które zostały założone na poziomie planowania projektu. Dziś model operuje w czasie rzeczywistym, ale nie podejmuje decyzji. NatWest zbiera dane, które dokładnie analizuje oraz sprawdza, czy czas reakcji, jak również poprawność klasyfikacji są zgodne z oczekiwaniami. Gdy będzie pewność, że wszystko działa właściwie, wdrożony będzie ostatni element projektu, czyli oddanie decyzyjności modelowi.
Zespół projektowy
Solution Architect
Data Modeler
Data Engineers
Data Scientists
Data Analysts
Dev Ops Engineers
MQ Engineer
Scrum Master
Product Owner
Project Lead
Ma piętnastoletnie doświadczenie w sektorze finansowym, a trzynaście lat zajmuje się analityką danych.
Na obecnym stanowisku Data & Analytics Manager w NatWest zarządza globalnym zespołem odpowiedzialnym za rozwój i dostarczanie analityki z wykorzystaniem najnowszych technologii, mającej na celu wsparcie biznesu w podejmowaniu decyzji w oparciu o dane i realnym wykorzystaniu potencjału big data, w tym analitykę predykcyjną i sztuczną inteligencję.
Magda jest aktywną mentorką skupioną na pomaganiu kobietom w stawianiu pierwszych kroków i sukcesie w technologii.
Ⓒ 2008-2024 Grupa MBE sp. z o.o. Wszelkie prawa zastrzeżone.