AI-антифрод в реальном времени для банка
Банки / Финтех ML Python PostgreSQL Kafka Go
Потери от фрода: минус 78%.
## Задача
Региональный банк терял 12М руб/квартал на мошеннических транзакциях. Правила-based система давала 40% ложных срабатываний и пропускала новые схемы мошенничества.
## Решение
Ансамблевая ML-модель (GBM + граф транзакций): обучение на 18 месяцах истории, feature engineering по поведенческим паттернам, скоринг в реальном времени через Kafka (<50ms), дашборд для аналитика безопасности с объяснением каждого решения.
## Результат
Потери от фрода: минус 78%. Ложные срабатывания: 40% → 6%. Новые схемы мошенничества детектируются за 2-3 транзакции вместо 50+. ROI системы окупился за 4 месяца.