Скрипт в main.tf
s3://otus-hw-bucket
доступен тут: https://console.yandex.cloud/folders/b1gmi1gs1575jti9jgnl/storage/buckets/otus-hw-bucket
- Построить систему классификаций банковских транзакций
- Оценить необходимость внедрения ML-решения
- Реализовать поточную real-time обработку транзакций решением
2. Аргументированно выбрать метрику машинного обучения, оптимизация которой, на Ваш взгляд, позволит достичь поставленных целей.
- Основная метрика - F1-score.
- Обоснование:
Если система определит корректную транзакцию как мошенническую, эта транзакция будет отклонена, а пользователь будет недоволен. Опыт бизнес-аналитиков подсказывает, что если доля таких транзакций превысит 5 %, то начнется отток клиентов из компании.
по этой причине мы должны максимизировать Precision- Мы должны максимизировать Recall по причине того, как мошеннические транзакции наносят ущерб компании, и мы не можем его снижать
- таким образом, мы должны балансировать между Precision и Recall, а для достижения этой цели мы можем использовать F1 - среднее гармоническое, которое не дает занижать ни одну из них
3. Проанализировать особенности проекта с использованием, например, MISSION Canvas. Это позволит выделить специфику проекта и формализовать требования к нему, подобрать инструментарий и критерии оценки.
Canvas доступен по ссылке для комментирования
5. Определить задачи, решение которых необходимо для достижения поставленных целей с учетом проведенного анализа. Задачи рекомендуется формулировать по принципу S.M.A.R.T. На текущий момент, пока не конкретизированы детали антифрод-системы, они могут быть представлены в достаточно общем виде. Но они позволят сформировать некоторый roadmap по реализации проекта.\
Задачи здесь