Prevención de fraude, machine learning, y patrones de diseño: mantén a tus analistas en el loop

¡La prevención de fraude es difícil! La “automatización total” suele aumentar los falsos positivos, la fricción y los puntos ciegos ante tácticas nuevas, mientras que los expertos humanos no pueden procesar los casos a la misma velocidad que una máquina. En esta charla hablaremos de diseño de software que utiliza componentes de machine learning (ML) y que también cuenta con analistas expertos como parte de su arquitectura. Para ello, presentamos un patrón de diseño human-in-the-loop (HIL) para software antifraude que combina ingeniería de software, componentes de ML, y analistas expertos. Mostramos cómo usar el scoring para reducir la fricción en condiciones de bajo riesgo, aplicar las medidas adecuadas en condiciones de alto riesgo y rutear los casos ambiguos para su revisión humana; la idea es obtener lo mejor de ambos mundos: expertos potenciados por ML. El sistema también incorpora retroalimentación continua de las analistas para la mejora de decisiones, reglas, y modelos predictivos. Cerraremos con trade-offs prácticos, como la calidad de los datos, la latencia, la gobernanza y el cumplimiento. Las personas asistentes saldrán con un blueprint aplicable a organizaciones reales.