per Banksealer
Individuare frodi tra milioni di transazioni al giorno, in ambienti bancari sensibili e offline, è una sfida enorme. Dalla ricerca del Politecnico di Milano è nato Banksealer: con il machine learning segnala subito agli analisti le transazioni a rischio.
Buildo, come partner di Banksealer, ha guidato lo sviluppo del prodotto, collaborando a stretto contatto con Secure Network, una nota azienda di cybersecurity con una presenza importante nel fraud detection. Il nostro approccio è partito da un’analisi approfondita del dominio, mettendo a frutto la dettagliata ricerca scientifica del Politecnico di Milano per sviluppare un prodotto capace di affrontare le sfide centrali delle frodi finanziarie.
Lo sviluppo di un nuovo prodotto basato sul machine learning ha presentato diverse sfide particolari:
Abbiamo sviluppato e implementato una soluzione solida, capace di analizzare in modo efficiente grandi volumi di dati. Banksealer è diventato un potente strumento semi-automatico per gli analisti finanziari, che permette loro di individuare le transazioni ad alto rischio grazie a un sofisticato sistema di ranking basato sugli “anomaly score”.
Una delle difficoltà maggiori per le aziende che sviluppano prodotti di machine learning è portarli in produzione.
Lavorando su Banksealer, abbiamo affrontato alcuni dei problemi di produzione più impegnativi: gestire milioni di transazioni al giorno, fare il deploy del sistema on-premises con forti vincoli di risorse e implementare algoritmi di machine learning ad hoc.
Banksealer è un sistema semi-automatico il cui obiettivo principale è aiutare gli analisti finanziari a individuare le transazioni a rischio. Gli algoritmi ordinano le transazioni per “anomaly score” e presentano in modo intelligente all’analista quelle più rischiose.
Gli algoritmi che abbiamo usato sono stati sviluppati in collaborazione con il Politecnico di Milano dal professor Michele Carminati. Sono ottimizzati per individuare efficacemente gli attacchi fraudolenti e fornire all’analista insight sull’attacco: per questo non potevamo usare soluzioni pronte all’uso. Gli algoritmi sono stati sviluppati in linguaggio Scala in collaborazione con il Politecnico di Milano ed eseguiti sui dataset usati nei paper di ricerca, per verificarne le performance di detection.
Il data flow di Banksealer è molto complesso: deve integrarsi con numerosi sistemi esterni, come ticket manager, dashboard, motori di ricerca (ELK) e altri strumenti di fraud detection.
Abbiamo adottato un’architettura a micro-servizi per ottenere scalabilità e far evolvere facilmente i singoli componenti. Abbiamo usato Apache Kafka (un sistema di message queue) per gestire senza intoppi il flusso di dati tra i nostri servizi e ottenere performance near real-time. Tutti i servizi sono indipendenti e stateless, e il sistema può evolvere senza rischiare di compromettere la disponibilità dei dati esistenti.
Il sistema è installato on-premises, in un ambiente privo di connessione a internet. Per installare e aggiornare rapidamente i nostri servizi, abbiamo containerizzato ogni parte del software con Docker. Il sistema si installa facilmente sia come virtual appliance sia su qualsiasi sistema operativo che supporti Docker.
L’architettura è così flessibile da permettere diverse configurazioni di installazione. Per esempio, il database può essere integrato nell’appliance oppure gestito esternamente, se il cliente dispone di risorse sufficienti. Abbiamo inoltre sfruttato Docker per supervisionare i processi e dare al sistema fault tolerance.
Pur implementando algoritmi di machine learning complessi, il sistema ha requisiti hardware leggeri: non richiede necessariamente GPU e gira su macchine standard. Abbiamo adattato rapidamente Banksealer a dati diversi e lo abbiamo messo in produzione con successo sia in configurazioni single-instance sia PaaS.
Il successo di Banksealer dimostra quanto sia efficace una stretta collaborazione tra mondo accademico e mondo aziendale nello sviluppo di soluzioni innovative per contrastare le frodi finanziarie. La nostra capacità di adattare e ottimizzare costantemente l’approccio alle nuove sfide di cybersecurity conferma il nostro impegno nel fornire strumenti efficaci e affidabili per proteggere i dati finanziari.
AI-powered Rebranding
Vehnta doveva dare a VisionSphere un'identità di marca forte e coerente, con scadenze strette. Abbiamo integrato l'AI nel nostro processo di branding per accelerare l'analisi dei dati e ampliare le idee, consegnando un'identità di qualità nei tempi previsti.
Conversation Intelligence
I team di vendita perdono tempo prezioso a riguardare le call e prendere appunti. Per Superlayer - revenue platform per team B2B - abbiamo progettato e sviluppato il modulo Conversation Intelligence che, grazie all'AI, velocizza il lavoro del team sales.
