logo_Fraud_Detection_expertise_datawok

FRAUD DETECTION

USE-CASE #1

Création d’un outil basé sur des modèles de Machine Learning pour la détection de fraude à l’achat pour le e-commerce.

Leader français de la lutte contre la fraude et expert dans le profilage digital, cette fintech propose des services innovants pour imaginer et construire l’avenir du e-commerce. Ses services regroupent un ensemble de solutions visant à fluidifier et sécuriser l’expérience client.

Notre domaine d’intervention est large

De la mise en place de l’environnement de R&D, des process de déploiement jusqu’à la mise en production, en passant par la création d’outils de monitoring pour les équipes Fraud Analyst.

  • Implémentation et entraînement de modèles de ML de détection de fraude
  • Intégration d’un webservice Flask au sein de l’architecture microservice du projet
  • Enrichissement du feature engineering à l’aide d’analyse de langage naturel (NLP) sur les descriptions de produits
  • Développement de plugins Data Science Studio (Dataiku) afin de permettre aux Analystes et Business de monitorer les modèles et gérer leurs activations
  • Amélioration du produit de classification de documents avec le framework de deep learning Caffe

Stack

USE-CASE #2

Nous avons ainsi participer à l’implémentation des briques de data engineering et des modèles de détection de fraude à l’assurance dans le cadre du développement d’une application web de gestion des sinistres.

Ce Lab a pour mission de transformer ce groupe d’assurance en une société centrée sur le traitement de l’information, en développant une part significative de ses activités (création de produits, services, outils…) autour des datas.

Différentes filiales du Groupe étaient demandeuses d’un outil pour traiter efficacement les sinistres et identifier les fraudes.

  • Création d’un data flow robuste et réplicable en PySpark
  • Implémentation de features “Réseaux” à partir de données structurées en graphe distribuée en Scala / Spark
  • Webservices Python pour entraîner et appeler les modèles
  • Mise en place de tests sur l’ensemble du data flow
  • R&D sur les approches semi-supervisées avec des données très peu labellisées
  • Implémentation de briques d’interprétabilité des modèles de ML
  • Implémentation d’un ELT en Scala/Spark pour une intégration multi-entités des données de fraude

Stack

Nos références

Expertise Datawok FRAUD DETECTION
FRAUD DETECTION
Expertise Data wok NLP
NLP
Expertise Data wok OCR
OCR
Expertise Data wok OLAP
OLAP
Expertise Data wok RTDM
RTDM
Expertise Data wok TIMES SERIES
Times Series
Expertise Data wok DATA LAKE
Datalake
Expertise Data wok COMPUTER VISION
Computer Vision

Envie d'en savoir plus ?