Combine análisis en tiempo real con búsqueda semántica utilizando MongoDB Atlas Vector Search para detectar y prevenir fraudes.
Casos de uso: Prevención de fraudes, Gen IA
Industrias: Seguros, servicios financieros,comercio minorista
Productos y herramientas: MongoDB Atlas, MongoDB Atlas Vector Search, MongoDB Change Streams
Resumen de la solución
El fraude y la lucha contra el blanqueo de capitales (ALD) son preocupaciones importantes para empresas y consumidores, y afectan a las instituciones de servicios financieros en la banca comercial y los mercados de capitales. Los métodos tradicionales para abordar estos problemas, como los sistemas basados en reglas y los métodos de aprendizaje automático, se ven limitados por la sobrecarga de ingeniería necesaria para mantener los modelos actualizados, lo que resulta en tecnologías obsoletas.
MongoDB Atlas Vector Search puede mejorar la detección de fraudes y los esfuerzos contra el lavado de dinero abordando estas limitaciones. Esta solución utiliza análisis en tiempo real y supervisión continua con Atlas Vector Search para detectar y prevenir amenazas emergentes.
Arquitecturas de Referencia
Esta solución agrega datos de fraude y AML, crea incrustaciones de vectores y realiza búsquedas semánticas para detectar transacciones similares. El siguiente diagrama detalla la arquitectura de esta solución:
Figura 1. Arquitectura de alto nivel de un sistema de detección de fraude/AML
Voyage AI para incrustaciones: Primero, la solución genera incrustaciones utilizando un modelo de incrustación en datos de transacciones. La incrustación de fraude se compone de texto, transacciones y datos de las contrapartes involucradas en una transacción. La incrustación AML se crea en función de las transacciones, las relaciones entre las contrapartes y sus perfiles de riesgo. Puede usar Voyage AI para crear sus incrustaciones. También puede configurar las fuentes de datos utilizadas para crearlas.
La demostración de la solución precarga la base de datos con datos de prueba generados sintéticamente para detectar fraude y incrustaciones de AML. También puede generar incrustaciones utilizando datos históricos de transacciones y perfiles de clientes.
MongoDB Atlas como almacén de datos operativos: MongoDB Atlas permite a los usuarios almacenar simultáneamente sus datos operativos, metadatos e incrustaciones vectoriales. Esto elimina la necesidad de tecnologías especializadas, como una base de datos vectorial dedicada. Con una arquitectura escalable y la opción de implementar nodos de búsqueda dedicados para aislar la carga de trabajo, MongoDB ayuda a las organizaciones a escalar con conjuntos de datos en crecimiento y a adaptarse dinámicamente a nuevos patrones de fraude o blanqueo de capitales.
Atlas Vector Search impulsa la aplicación: Atlas Vector Search busca transacciones en la base de datos basándose en el porcentaje de transacciones anteriores con características similares marcadas como sospechosas. Esto simula cómo los analistas humanos evaluarían las transacciones o los casos sospechosos.
Si una transacción se marca como fraudulenta o sospechosa, la solución rechaza la solicitud. De lo contrario, la completa correctamente y muestra un mensaje de confirmación. En el caso de transacciones rechazadas, los usuarios pueden contactar con los servicios de gestión de casos con el número de referencia de la transacción para obtener más información.
Beneficios de la búsqueda vectorial Atlas
Utilizar la Búsqueda Vectorial de Atlas para la detección y prevención del fraude tiene los siguientes beneficios:
Mayor precisión en la detección de fraudes: Atlas Vector Search captura patrones complejos y de alta dimensión que los modelos basados en reglas y de aprendizaje automático suelen pasar por alto. Al analizar el contexto completo de las transacciones, Atlas Vector Search también descubre señales sutiles de fraude, lo que mejora la detección de esquemas sofisticados que los modelos más simples pueden pasar por alto.
Detecte nuevos esquemas de fraude más rápido: con la detección de anomalías en tiempo real, Atlas Vector Search puede ayudar a identificar nuevas tácticas de fraude o lavado de dinero más rápidamente, reduciendo el riesgo de amenazas emergentes sin la necesidad de un reentrenamiento constante del modelo.
Almacene datos estructurados y no estructurados: MongoDB almacena incrustaciones de vectores junto con los datos fuente y los metadatos. Al insertar o actualizar un vector en la base de datos, este se indexa automáticamente.
Construir la solución
Este repositorio de GitHub Presenta una demostración donde un cliente accede al sitio web de un banco para realizar transacciones. Se centra en la etapa de compensación de la transacción, donde el banco pasa por una serie de verificaciones para combatir el fraude y cumplir con las sanciones y las leyes contra el lavado de dinero. La demostración incluye una API que identifica a los clientes sancionados, las actividades contra el lavado de dinero y las transacciones fraudulentas.
Esta solución requiere un modelo de incrustación para generar incrustaciones vectoriales. La demostración enlazada arriba no incluye las credenciales del proveedor. Puede usar Voyage AI como su servicio de incrustación.
Aprendizajes clave
Cree aplicaciones inteligentes impulsadas por búsqueda semántica y sistemas de inteligencia artificial generativa que utilizan diversos tipos de datos.
Almacene incrustaciones vectoriales con los datos de origen y los metadatos. Si inserta o actualiza vectores, estos se sincronizan automáticamente con el índice de vectores.
Optimiza el consumo de recursos, mejora el rendimiento y aumenta la disponibilidad con Nodos de búsqueda.
Elimine la sobrecarga operativa con MongoDB Atlas.