ممارسة في الذكاء الاصطناعي الصناعي  ·  الخليج  ·  العربية والإنجليزية رد خلال يوم عمل واحد
Machine learning / anomaly detection

رصد المعاملات التي لا تتفق مع النمط

payments business · Gulf

← كل الأدلة الموثّقة

شكل هذه المشكلة

The same judgment, made differently every time

هذا أحد أعمالنا الخاصة، لا مشروعًا لعميل. وهو دليل قدرة، وموصوف بذلك.

المشكلة

Payment teams needed to identify unusual transactions in highly imbalanced data without overwhelming investigators with false alerts. Imbalance is what makes this deceptive: a model that flags nothing is over 99% accurate, so headline accuracy is not merely uninformative but actively misleading. The binding constraint is also not detection but investigator capacity - an alert nobody has time to open is indistinguishable from an alert that was never raised.

ما بنيناه

We built an anomaly-detection service over credit-card transaction data using preprocessing, feature scaling, isolation-based models, evaluation against labeled events, and configurable risk thresholds feeding review queues.

ما تغيّر

المقياس قبل بعد
High-risk transaction detection up 25%
False-positive alerts down 20%
Initial screening time down 55%

† مقيس مقابل المستوى السابق للقياس نفسه. والمصدر ينشر مقدار التغيّر، لا الرقم الذي تغيّر عنه.

High-risk transaction detection

المستوى السابق 0 100 200 up 25%

مقيس مقابل عملية العميل السابقة نفسها، مُقاسة إلى ١٠٠. والمصدر ينشر مقدار التغيّر، لا الرقم المطلق الذي تغيّر عنه.

False-positive alerts

المستوى السابق 0 100 200 down 20%

مقيس مقابل عملية العميل السابقة نفسها، مُقاسة إلى ١٠٠. والمصدر ينشر مقدار التغيّر، لا الرقم المطلق الذي تغيّر عنه.

Initial screening time

المستوى السابق 0 100 200 down 55%

مقيس مقابل عملية العميل السابقة نفسها، مُقاسة إلى ١٠٠. والمصدر ينشر مقدار التغيّر، لا الرقم المطلق الذي تغيّر عنه.

الأرقام مأخوذة من سجلات التنفيذ الخاصة بالممارسة للمشروع المذكور، ومقيسة مقابل العملية التي سبقته. ولم تخضع لتدقيق طرف ثالث، ولا يُعرض أي منها كمتوسط بين عملاء.

ما توقّف عليه

The service kept its own boundary explicit. Feature anonymisation is a privacy control, and it constrains how fully a score can be explained - so the output drives prioritisation and threshold policy, while acting adversely on a customer still requires interpretable customer, merchant, device, and transaction evidence.

خط الخدمة
Risk & Anomaly Detection
The weakest line we list. Do not build a pitch on it. It is a legitimate answer when a prospect raises it, and it belongs in a T1 scope rather than a proposal.

ابدأ من هنا

أيّ الأربعة هو مشكلتكم؟

أخبرونا بالمستندات والحجم الشهري وسنرسل أقرب سجلّين، مع الدليل وراء كل منهما والملاحظة الصريحة حيث تكون المطابقة جزئية.

يصلك الرد في غضون يوم عمل واحد، من المهندس الذي سينفّذ العمل - لا من سلسلة رسائل تسويقية.