Почему ML-классификации недостаточно для поиска подозрительных транзакций: опыт инженера из ВТБ и Сбера

С ростом числа финансовых операций аналитики всё чаще сталкиваются с лавиной ложных срабатываний систем финмониторинга. Старший инженер по данным Максим Коцюба (ВТБ, Сбер) в рамках выпускной работы онлайн-магистратуры «Инженерия данных» НИУ ВШЭ и Нетологии решил эту задачу, построив сквозной ML/MLOps-пайплайн.

Главное отличие его подхода — не просто бинарная классификация (подозрительно/не подозрительно), а ранжирование операций по степени риска. Это позволяет аналитикам сосредоточиться на самых опасных случаях, а не разбирать все срабатывания подряд. В статье Максим делится метриками и объясняет, почему одной классификации оказалось недостаточно.