Combine análises em tempo real com pesquisa semântica usando o MongoDB Atlas Vector Search para detectar e evitar fraudes.
Casos de uso: Prevenção de fraudes, IA generativa
Setores: Seguros, Serviços financeiros, Varejo
Produtos e ferramentas: MongoDB Atlas, MongoDB Atlas Vector Search, MongoDB Change Streams
Visão Geral da Solução
A fraude e o Os métodos tradicionais de lidar com esses problemas, como sistemas baseados em regras e métodos de aprendizado de máquina, são limitados pela sobrecarga de engenharia necessária para manter os modelos atualizados, resultando em tecnologias desatualizadas.
O MongoDB Atlas Vector Search pode melhorar a detecção de fraudes e os trabalhos de AML ao abordar essas limitações. Essa solução usa análise em tempo real e monitoramento contínuo com o Atlas Vector Search para detectar e prevenir preocupações crescentes.
Arquiteturas de referência
Essa solução agrega dados de fraude e AML, cria incorporações vetoriais e executa pesquisa semântica para detectar transações semelhantes. O diagrama a seguir detalha a arquitetura desta solução:
Figura 1. Arquitetura de alto nível de um sistema de detecção de fraudes/AML
IA do Voyage para incorporações: Primeiro, a solução gera incorporações usando um modelo de incorporação nos dados da transação. A incorporação de fraude é composta de texto, transações e dados de contrapartes envolvidas em uma transação. A incorporação AML é criada com base em transações, relacionamentos entre contrapartes e seus perfis de risco. Você pode usar o Voyage AI para criar suas incorporações. Você também pode configurar a escolha das fontes de dados usadas para criar suas incorporações.
A demonstração da solução pré-preenche o banco de dados com dados de teste gerados sinteticamente para fraude e incorporações AML. Você também pode gerar incorporações usando dados históricos de transações e perfis de cliente .
MongoDB Atlas como armazenamento de dados operacionais: o MongoDB Atlas permite que os usuários armazenem simultaneamente seus dados de operação, metadados e incorporações vetoriais. Isso elimina a necessidade de tecnologias de mercado, como um banco de dados vetorial dedicado. Com uma arquitetura escalável e a opção de implantar nó(s) de pesquisa dedicado(s) para isolamento do volume de trabalho, o MongoDB ajuda as organizações a escalarem com conjuntos de dados crescentes e a se adaptarem dinamicamente a novos padrões de fraude ou corrupção.
O Atlas Vector Search habilita o aplicação: O Atlas Vector Search pesquisa transações no banco de dados com base na porcentagem de transações anteriores com características semelhantes que foram sinalizadas como atividades suspeitas. Isso simula como analistas humanos avaliariam transações ou casos suspensos.
Se uma transação for sinalizada como enganosa ou suspeita, a solução recusará a solicitação de transação. Caso contrário, ele conclui a transação com sucesso e mostra uma mensagem de confirmação. Para transações rejeitadas, os usuários podem entrar em contato com os serviços de gerenciamento de casos com o número de referência da transação para obter detalhes.
Benefícios do Atlas Vector Search
Utilizar o Atlas Vector Search para detecção e preparação de fraudes tem os seguintes benefícios:
Maior precisão de detecção de fraudes: o Atlas Vector Search captura padrões complexos e de alta dimensionamento que os modelos baseados em regras e de aprendizado de máquina geralmente ignoram. Ao analisar o contexto completo das transações, o Atlas Vector Search também revela sinais sutis de fraude, o que melhora a detecção de esquemas sofisticados que modelos mais simples podem perder.
Detecção mais rápida de novos esquemas de fraude: com a detecção de anomalias em tempo real, o Atlas Vector Search ajuda a identificar novas táticas de fraude e lavagem de dinheiro mais rapidamente, reduzindo o risco de ameaças emergentes sem necessidade de retreinar o modelo constantemente.
Armazenar dados estruturados e não estruturados: o MongoDB armazena incorporações vetoriais ao lado de dados de origem e metadados. Quando você insere ou atualiza um vetor no banco de dados, ele é indexado automaticamente.
Construir a solução
Este repositório do GitHub apresenta uma demonstração em que um cliente acessa o website de um banco para realizar transações. Ele se concentra no estágio de compensação da transação, em que o banco passa por uma série de verificações para conter fraudes e manter as restrições e as regras AML. A demonstração inclui uma API que sinaliza clientes sancionados, AML e transações enganosas.
Esta solução requer um modelo de incorporação para gerar incorporações vetoriais. A demonstração do link acima não inclui credenciais do provedor. Você pode usar a Voyage AI como seu serviço de incorporação.
Principais Aprendizados
Crie aplicativos inteligentes com base em sistemas de pesquisa semântica e IA generativa que usam diversos tipos de dados.
Armazene incorporações de vetor com dados de origem e metadados. Se você inserir ou atualizar vetores, eles serão automaticamente sincronizados com o índice do vetor.
Otimize o consumo de recursos, melhore o desempenho e aprimore a disponibilidade com nós de pesquisa.
Remova a sobrecarga operacional com o MongoDB Atlas.