zhukov-msu / otus-hw

otus-hw

Решение задания 2

1. terraform

Скрипт в main.tf

2. S3 bucket

s3://otus-hw-bucket доступен тут: https://console.yandex.cloud/folders/b1gmi1gs1575jti9jgnl/storage/buckets/otus-hw-bucket

Решение задания 1

1. Сформулировать цели проектируемой антифрод-системы в соответствии с требованиями заказчика.

• 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

4. Попытаться декомпозировать планируемую систему, определить ее основные функциональные части.

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