Hace unas semanas me pidieron un pequeño informe (que no lleve mucho tiempo) a alto nivel de como implementaría la funcionalidad de detección de fraudes usando Machine Learning. Mi aclaración fue de que no soy un experto en el mundo de detección de fraudes y por lo tanto que mi enfoque puede no ser el mejor para este tipo de casos.
Me parece interesante escribir sobre esto porque quizá le pueda servir a alguien, más que nada para observar como se podría plantear a alto nivel la solución a un problema desconocido que use ML. Para realizar este informe combiné mi experiencia en otros campos de ML y un par de recursos que leí sobre detección de fraudes para interiorizarme un poco en el tema.
Los dejo con el mini informe:
0. Conocimiento previo
Asumamos que lo único que sabemos de la empresa es que vende electrodomésticos y tiene una línea de préstamos para que los clientes puedan acceder a un mayor rango de productos. No se sabe si ya cuentan con un historial de operaciones ni si tienen siquiera a un analista de fraudes entre sus empleados.
1. Conocimiento de la situación actual
Analizar situación actual de la empresa sobre que datos de cada usuario y transacción está almacenando y de que forma. Hablar con un experto en detección de fraudes para saber que datos y procedimientos están faltando actualmente.
2. Normalización
Crear los procesos necesarios para que se almacenen los datos de usuarios y transacciones necesarios para identificar posibles transacciones fraudulentas.
3. Enfoque basado en reglas
Estas reglas las debe determinar un analista de fraudes y luego ser volcadas a algoritmos que permitan detectar casos probables de fraude.
4. Pruebas de enfoque basado en Machine Learning
A medida que se vayan recolectando datos a partir de lo que se definió en (2) e información a partir de la puesta en funcionamiento de (3) se podrán realizar diversas evaluaciones de la precisión que se obtiene al utilizar ML para predecir operaciones fraudulentas.
5. Implementación de enfoque basado en ML
Una vez que la precisión de (4) haya llegado a un nivel aceptable por la empresa, se podrá proceder a implementar el modelo más preciso, reemplazando o siendo usado en paralelo a (3).
Aclaración: Dependiendo de las necesidades del negocio y de la forma de implementar la detección de fraudes en sus sistemas también se deberá definir si se necesita que haya una validación “humana” antes de que el output del modelo llegue al proceso de toma de decisiones. En caso de que sea necesaria será muy importante el desarrollo y diseño de una UI/UX para que la validación humana lleve el menor tiempo posible y también reduzca el error humano a lo mínimo posible.