Nous avons récemment mis à jour l'un de nos modèles de détection des fraudes, un outil appelé Sherlock. Sherlock examine tout le contexte et les comportements passés liés aux acheteurs (ou aux clients de nos clients), ce qui nous aide à identifier ceux qui pourraient ne pas être légitimes. Lorsqu'il détecte une demande qui correspond aux données de cas de fraude antérieurs, celle-ci est signalée. Des outils comme celui-ci aident nos arbitres à avoir une vue d'ensemble avant de prendre une décision, et ces nouvelles mises à jour intègrent nos dernières données afin d'améliorer ses performances.
Nous avons également travaillé sur un nouveau projet visant à optimiser la prise de décision en matière de demandes de limite de crédit. Nos arbitres obtiennent des informations et un contexte important pour leurs décisions grâce à nos modèles statistiques, qui utilisent les mathématiques pour créer des estimations des relations entre les variables. Ils diffèrent de l'IA générative, qui extrait des informations d'un ensemble de données pour reconnaître des modèles et créer des réponses à des prompts.
Les modèles statistiques peuvent être utiles pour prendre certaines décisions, mais comprendre leurs résultats demande beaucoup de compétences. Notre projet consiste à chercher des moyens de rendre les résultats des modèles plus faciles à interpréter, afin que les arbitres puissent accéder plus librement aux informations et que les décisions puissent être prises plus efficacement.
Ces deux projets profitent en fin de compte aux clients d'Allianz Trade, qui bénéficient d'une meilleure protection contre la fraude et d'un accès plus rapide aux décisions relatives aux limites de crédit.
