Abstrait

Machine Learning 2018 : Applications de Machine Learning dans le domaine des cartes de crédit - Jayatu Sen Chaudhury-American Express

Jayatu Sen Chaudhury

Compte tenu des énormes volumes d’informations accessibles (organisées et non organisées) pour les détenteurs de cartes American Express, American Express a adopté l’IA dans l’ensemble de ses processus métier de base de gestion des risques de crédit et d’extorsion, favorisant ainsi la recherche et les activités. Le travail consistait à mettre en place des centres de distribution d’informations internes avec un niveau adéquat de contrôles de sécurité, puis à utiliser des calculs d’IA de pointe à partir de sources ouvertes pour résoudre des problèmes commerciaux extraordinaires dans différents secteurs d’activité. Le choix de l’IA a assuré le fonctionnement de modèles financiers solides en utilisant les données les plus simples possibles, transmettant la meilleure force de vision possible avec la plus grande précision. Les modèles sont mis à jour à la fréquence la plus élevée possible, garantissant que les modèles rejoignent les principales données en retard. Cela a conduit à une amélioration considérable des contrôles des risques de fraude et a également amélioré la mise au point de sections appropriées avec une précision beaucoup plus élevée dans la promotion. En guise d’introduction, 3 à 4 cas d’utilisation réelle des processus centraux d’American Express et la manière dont l’IA a complètement changé la donne seront abordés. La conversation inclura également les nouveaux domaines dans lesquels l'entreprise envisage de faire des recherches et d'apporter la récompense la plus simple pour ses détenteurs de cartes. Compte tenu des énormes volumes d'informations disponibles (organisées et non organisées) pour les détenteurs de cartes American Express, American Express a adopté l'apprentissage automatique dans ses processus métier de gestion des risques de crédit et de fraude, d'analyse marketing et d'opérations. Le travail consistait à structurer des entrepôts de données internes avec un niveau de contrôle de sécurité approprié, puis à utiliser des calculs d'IA de pointe à partir de sources ouvertes pour démêler des problèmes commerciaux différents dans différents secteurs d'activité. Le choix de l'apprentissage automatique a garanti le fonctionnement de modèles financiers solides en utilisant les données les plus simples possibles, transmettant la meilleure force de vision avec la plus grande précision. Les modèles sont mis à jour à la fréquence la plus élevée possible, garantissant que les modèles fusionnent les principales données en cours. Cela a entraîné une amélioration critique des contrôles du risque de fraude et a également amélioré la mise au point des fragments appropriés avec une précision beaucoup plus élevée dans la publicité. En guise d'introduction, les intervenants présenteront au public 3 à 4 cas d'utilisation réelle des procédures centrales d'American Express et expliqueront comment l'apprentissage automatique a totalement changé la donne. La conversation portera également sur les nouveaux domaines dans lesquels les entreprises envisagent de faire des recherches et d'apporter l'incitation la plus simple à leurs titulaires de carte. " Dernièrement, de nombreuses applications d'IA efficaces ont été créées, à commencer par des programmes d'exploration de données qui déterminent comment distinguer les échanges de cartes de crédit frauduleuses,aux systèmes de filtrage des données qui se familiarisent avec les tendances de compréhension des clients, aux véhicules indépendants qui apprennent à conduire sur les autoroutes ouvertes. "L'IA est liée à la compréhension du passé pour formuler des prévisions sur le plus long terme ~ et certaines de ces prévisions peuvent être fausses. Une justification des règles inexactes peut entraîner le rejet d'échanges importants ou de "faux négatifs" entraînant une perte de revenus ou l'insatisfaction des clients. Rappelez-vous toujours que l'IA, comme tout outil ou technologie, est là pour répondre aux besoins de l'entreprise. Les calculs de l'IA doivent être précis : les algorithmes trop étroitement liés au comportement passé sont "sur-préparés". Les algorithmes trop librement liés au comportement passé sont "sous-préparés". Déterminez l'équilibre commercial approprié entre les "faux positifs" (approuvant les versements qui doivent être rejetés) et les "faux négatifs" (rejetant les versements qui doivent être approuvés). Les algorithmes sont fréquemment ré-préparés régulièrement car il est important de rester au courant des tendances changeantes de la situation commerciale.  

Biographie :

Jayatu Sen Chaudhury est vice-président, Global Commercial and Merchant Data Science et responsable de Enterprise Digital & Analytics India pour American Express, Inde. Avant d'occuper ce poste, il était responsable de la gestion mondiale des informations, des laboratoires Big Data et des capacités avancées en matière de risques. Il fait partie d'American Express depuis 2001, où il a occupé diverses fonctions de science décisionnelle pour les marchés américains et internationaux. Il a obtenu son doctorat en économie financière de l'IGIDR, institut de recherche économique financé par la Banque centrale du pays (Reserve Bank of India). Avant de rejoindre American Express, il a travaillé dans le domaine des sciences décisionnelles pendant deux ans chez GE Capital et ICICI Bank.