Übersicht
Worum es bei diesem Projekt geht.
Trainiere ein GNN auf 1,2 Mio. Transaktionen zur Betrugserkennung und vergleiche es mit einem GBM. Erhalte dein verifizierbares Zertifikat.
Das Szenario
Der Zahlungsdienstleister (rund 280 Mitarbeitende, profitabel, expandiert in DACH) hat in den letzten Monaten ungewöhnliche Multi-Account-Betrugs-Muster gesehen, die ein knoten-basierter Tabular-Klassifikator strukturbedingt schlecht erkennt.
Das Briefing
Was Du tust und was Du zeigst.
Schlage das tabular-basierte Betrugs-Modell des Zahlungsdienstleisters mit einem GNN auf dem Transaktions-Graph, ohne die Alert-Rate aus dem Ruder laufen zu lassen.
Earning criteria — what you'll demonstrate
- GraphSAGE oder GAT auf einem realen bipartiten Transaktions-Graph anwenden
- Zeitliche Holdouts für Graph-ML sauber konstruieren
- GNN-Performance fair gegen tabulare Baselines vergleichen
- Graph-Strukturen für Risk-Stakeholder visuell verständlich machen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Machine Learning on Graphs
Master · Machine Learning
Strong alignment
This challenge maps to Machine Learning on Graphs at the Master level. It sharpens the same practical skills your coursework expects — but in a real industry context with actual constraints and deliverables.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
- Graph Neural Networks
Apply graph neural networks to solve real industry problems and demonstrate production-level capability.
- Graphsage
Apply graphsage to solve real industry problems and demonstrate production-level capability.
- Pytorch Geometric
Apply pytorch geometric to solve real industry problems and demonstrate production-level capability.
- Fraud Detection
Apply fraud detection to solve real industry problems and demonstrate production-level capability.
- Node Classification
Apply node classification to solve real industry problems and demonstrate production-level capability.
- Evaluation
Apply evaluation to solve real industry problems and demonstrate production-level capability.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Data Scientist
Graph-ML in Risk-/Fraud-Anwendungen sauber zu benchmarken ist eines der wertvollsten Erstprojekte für Data Scientists in Zahlungsverkehrs-Teams.
Dieses Projekt schärft
- graph-neural-networks
- fraud-detection
- evaluation
ML-Ingenieur:in
Eine produktionsreife GNN-Pipeline mit zeitlichem Holdout zu liefern ist die Engineering-Praxis, die ML-Ingenieurinnen in Fintech-Risk-Teams unterscheidet.
Dieses Projekt schärft
- graphsage
- pytorch-geometric
- node-classification
Angewandte:r KI-Wissenschaftler:in
Strukturelle Betrugs-Muster mit GNNs zu erkennen und gegen tabulare Modelle abzugrenzen ist ein wachsendes Feld für angewandte KI-Wissenschaftlerinnen im Zahlungsverkehr.
Dieses Projekt schärft
- graph-neural-networks
- fraud-detection
- node-classification
Noch eine Sache