Ответ
В моем последнем проекте по борьбе с мошенничеством задача была поставлена через бизнес-проблему: "Снизить финансовые потери от фрода на 15% в следующем квартале". Мы совместно с продукт-менеджером и бизнес-аналитиком перевели это в технические требования.
Конкретная постановка задачи:
- ML задача: Бинарная классификация (мошенническая/легитимная транзакция).
- Ключевая метрика: Precision @ 90% Recall. Мы фокусировались на минимизации ложных срабатываний (чтобы не блокировать легальных клиентов), обеспечивая при этом высокий уровень обнаружения.
- Ограничения: Время инференса модели < 50 мс для интеграции в реальный платежный пайплайн.
- Бейзлайн: Существующее правило-основание на сумме транзакции и стране получателя.
Перед стартом мы зафиксировали это в документе, определив edge-кейсы (например, как обрабатывать транзакции с новых устройств) и процесс валидации на исторических данных.