| Abstract |
Šis darbs aplūko mākslīgā intelekta integrāciju pielāgotā reāllaika maksājumu
vārtejā, kas izstrādāta un tiek uzturēta FinTech uzņēmumā, kurš darbojas kā maksājumu
facilitators. Mūsdienu transakciju vidē maršrutēšanas lēmumi, krāpšanas noteikšana un
partneru izvēle bieži tiek balstīta uz deterministiskiem, noteikumos balstītiem
algoritmiem, kas ir uzticami, bet ierobežoti pielāgojamības ziņā. Šī darba mērķis bija
ieviest un novērtēt modulāru mākslīgā intelekta komponenti, kas spētu atbalstīt gudrāku
anomāliju atklāšanu un optimizētu maršrutēšanu, balstoties uz vēsturisko transakciju
uzvedības datiem.
Iekšējā maksājumu vārteja tika izveidota, izmantojot modulāru monolītisku
arhitektūru, izvietota uz AWS infrastruktūras un aktīvi izmantota vairāk nekā 150 000
transakciju
apstrādei dienā. Pēc pamatsistēmas ieviešanas tika apmācīti
mašīnmācīšanās modeļi, balstoties uz vairāk nekā vienpadsmit mēnešu transakciju
datiem, lai identificētu uzvedības anomālijas un sniegtu ieteikumus optimālākai
maršrutēšanai. Šie modeļi tika novērtēti un integrēti, neaizvietojot esošo loģiku, ļaujot
tos
salīdzināt ar tradicionālajām, noteikumos balstītām sistēmām. Rezultāti
apstiprināja, ka mākslīgā intelekta skoringa ieviešana veicināja agrīnu anomāliju
noteikšanu un uzlaboja apstiprinājuma rādītājus, nepalielinot latentumu un neapdraudot
operacionālo kontroli.
Darbs sastāv no 113 lapaspusēm, ietverot 6 attēlus, 6 tabulas, 1 formulu, 16
pielikumus un 32 izmantotos informācijas avotus. |
