Détection de fraude par séquences de transactions mobile money
Aperçu
En quoi consiste ce défi.
Construisez un modèle transformer pour noter le risque de fraude sur des séquences de transactions mobile money et obtenez un certificat vérifiable.
Le brief
Ce que vous ferez, et ce que vous démontrerez.
Les fraudeurs enchaînent de petites transactions atypiques que les règles statiques actuelles ne détectent qu'après coup, une fois la perte constatée.
Earning criteria — what you'll demonstrate
- Adapter l'architecture transformer et les mécanismes d'attention à des données séquentielles non textuelles
- Gérer le padding, le masquage et les séquences de longueur variable dans un modèle de deep learning
- Évaluer un modèle de détection d'anomalies sous contrainte de budget de faux positifs
- Justifier des choix d'architecture (profondeur, têtes d'attention) au regard de la volumétrie des données
Adéquation au programme
Où cela s'inscrit dans votre cursus.
Renforce les mêmes compétences que celles attendues par votre diplôme.
Cursus associés bientôt disponibles.
Compétences
Les compétences que vous démontrerez.
Chacune apparaît sur votre certificat vérifié.
Débouchés
Les métiers auxquels ce défi vous prépare.
De vrais intitulés. De vraies passerelles de compétences. Choisissez celui qui se rapproche le plus de votre trajectoire.
Les parcours de carrière que ce défi construit
Métiers de référenceMLOps Engineer
La contrainte de latence d'inférence et la stratégie de ré-entraînement du modèle recoupent directement le travail d'un ingénieur MLOps responsable de la mise en production de modèles à fort volume de trafic.
Ce défi renforce
- distributed-training
- pytorch-or-tensorflow
- transformer-architecture
Analyste des Risques
La définition du budget de faux positifs et l'analyse des schémas de fraude par segment d'utilisateurs correspondent aux arbitrages quotidiens d'un analyste des risques en fintech.
Ce défi renforce
- sequence-labeling
- attention-mechanisms
- transformer-architecture
Data Scientist
La conception, l'évaluation et l'itération sur un modèle de séquences appliqué à un problème métier concret reproduisent le cycle de travail complet d'un data scientist.
Ce défi renforce
- transformer-architecture
- sequence-labeling
- pytorch-or-tensorflow