Prosjekter

Se hvordan vi har brukt kunstig intelligens i praksis sammen med kundene våre

Gesture, Font, Art

Caser

Se hvordan vi har brukt kunstig intelligens
i praksis sammen med kundene våre

Vipps taper mye penger på ulike typer av betalingssvindel. Med bruk av maskinlæring avdekkes svindelforsøk i sanntid slik at de kan stoppes i tide. I løpet av 3 måneder i produksjon er svindel redusert med over 65%.

Vipps antisvindel

Utfordringen
Utgangspunktet var at Vipps taper mye penger på ulike typer av betalingssvindel. Svindelmetoder endres raskt, derfor er det ikke tilstrekkelig med en regelbasert modell.

Løsningen
Løsningen ble å bruke maskinlæring til å predikere om en betaling er svindelforsøk, og å benytte modellene i sanntid for å kunne stoppe svindelforsøkene i tide. Data fra mange ulike kilder samles inn. Det benyttes en dataplattform for å prosessere data både i batch og i sanntid. Maskinlæringsmodeller trenes og evalueres basert på tilgjengelige datasett. MLFlow brukes for å ha sporbarhet for alle modeller som er trent (hvilke datasett de er trent på), til versjonering, og til å velge den modellen som predikerer best. Modellene må kunne gjøre prediksjoner i sanntid og med store krav til oppetid og skalerbarhet. Modellene serveres i et Kubernetes-cluster med et tilgjengelig API som integreres i betalingsflyten.

Verdi for kunden
Den første maskinlæringsmodellen ble satt i produksjon i april 2024 og integrert med betalingsløsningen. I perioden april til juni 2024 ble i alt 4 modeller produksjonssatt.  I løpet av denne perioden klarte man å redusere svindel med over 65%. 
Utfordringen

Utgangspunktet var at Vipps taper mye penger på ulike typer av betalingssvindel. Svindelmetoder endres raskt, derfor er det ikke tilstrekkelig med en regelbasert modell.  

Løsningen

Løsningen ble å bruke maskinlæring til å predikere om en betaling er svindelforsøk, og å benytte modellene i sanntid for å kunne stoppe svindelforsøkene i tide. Data fra mange ulike kilder samles inn. Det benyttes en dataplattform for å prosessere data både i batch og i sanntid. Maskinlæringsmodeller trenes og evalueres basert på tilgjengelige datasett. MLFlow brukes for å ha sporbarhet for alle modeller som er trent (hvilke datasett de er trent på), til versjonering, og til å velge den modellen som predikerer best. Modellene må kunne gjøre prediksjoner i sanntid og med store krav til oppetid og skalerbarhet. Modellene serveres i et Kubernetes-cluster med et tilgjengelig API som integreres i betalingsflyten.

Verdi for kunden

Den første maskinlæringsmodellen ble satt i produksjon i april 2024 og integrert med betalingsløsningen. I perioden april til juni 2024 ble i alt 4 modeller produksjonssatt.  I løpet av denne perioden klarte man å redusere svindel med over 65%.  

Utfordringen

Utgangspunktet var at Vipps taper mye penger på ulike typer av betalingssvindel. Svindelmetoder endres raskt, derfor er det ikke tilstrekkelig med en regelbasert modell.

  

Løsningen

Løsningen ble å bruke maskinlæring til å predikere om en betaling er svindelforsøk, og å benytte modellene i sanntid for å kunne stoppe svindelforsøkene i tide. Data fra mange ulike kilder samles inn. Det benyttes en dataplattform for å prosessere data både i batch og i sanntid.   

Maskinlæringsmodeller trenes og evalueres basert på tilgjengelige datasett. MLFlow brukes for å ha sporbarhet for alle modeller som er trent (hvilke datasett de er trent på), til versjonering, og til å velge den modellen som predikerer best.  Modellene må kunne gjøre prediksjoner i sanntid og med store krav til oppetid og skalerbarhet. Modellene serveres i et Kubernetes-cluster med et tilgjengelig API som integreres i betalingsflyten.

Verdi for kunden

Den første maskinlæringsmodellen ble satt i produksjon i april 2024 og integrert med betalingsløsningen. I perioden april til juni 2024 ble i alt 4 modeller produksjonssatt.  

I løpet av denne perioden klarte man å redusere svindel med over 65%.  

REN ønsket å utvikle en GPT-basert løsning for å svare på spørsmål tilknyttet utbygging og vedlikehold av energi og nett, basert på proprietære data i RENbladene.

I dette prosjektet leverte Kantega en isolert pilotløsning som benyttet Retrieval Augmented Generation-teknikker og store språkmodeller for dette formålet.

REN

Utfordringen
RENbladene er en dynamisk kunnskapsbank for prosjektering, montasje, drift og vedlikehold innen elkraft, og består av hundrevis av dokumenter på opptil hundrevis av sider. Det kan være utfordrende å navigere i denne rike kunnskapsbanken for en sluttbruker. REN bruker i dag betydelige ressurser på å besvare henvendelser som sluttbrukere i utgangspunktet skal kunne finne svare på basert på RENblad, men der de av effektivitetshensyn gjerne stiller skriftlige spørsmål direkte til REN.

Løsningen
REN kontaktet Kantega med ønske om bistand til å utvikle en RAG-modell, og en fullverdig pilotløsning for automatisert spørsmålbesvarelse basert på RENbladene og store språkmodeller. Det ble benyttet teknologier som Docker, Streamlit, Azure OpenAI, Azure AI Search og Azure container instances, samt Terraform og GitHub actions for automatisk utrulling av infrastruktur i Azure. Løsningen ble demonstrert på konferansen Nettverksuken 30. november 2023 foran et stort publikum av fagpersoner innen elkraftbransjen. Piloten ble meget godt mottatt av fagmiljøet innen elkraft hos nettselskapene i Norge og elkraftingeniører som bruker veilederne i RENbladene til å prosjektere elektriske anlegg. REN besluttet på bakgrunn av dette å videreutvikle løsningen i 2024.

Verdi for kunden
REN fikk gjennom en begrenset pilot verifisert hypotesen om at det finnes etterspørsel etter en språkmodellbasert løsning for å hente kunnskap fra RENbladene.
Utfordringen

RENbladene er en dynamisk kunnskapsbank for prosjektering, montasje, drift og vedlikehold innen elkraft, og består av hundrevis av dokumenter på opptil hundrevis av sider. Det kan være utfordrende å navigere i denne rike kunnskapsbanken for en sluttbruker. REN bruker i dag betydelige ressurser på å besvare henvendelser som sluttbrukere i utgangspunktet skal kunne finne svare på basert på RENblad, men der de av effektivitetshensyn gjerne stiller skriftlige spørsmål direkte til REN.  

Løsningen

REN kontaktet Kantega med ønske om bistand til å utvikle en RAG-modell, og en fullverdig pilotløsning for automatisert spørsmålbesvarelse basert på RENbladene og store språkmodeller. Det ble benyttet teknologier som Docker, Streamlit, Azure OpenAI, Azure AI Search og Azure container instances, samt Terraform og GitHub actions for automatisk utrulling av infrastruktur i Azure. Løsningen ble demonstrert på konferansen Nettverksuken 30. november 2023 foran et stort publikum av fagpersoner innen elkraftbransjen. Piloten ble meget godt mottatt av fagmiljøet innen elkraft hos nettselskapene i Norge og elkraftingeniører som bruker veilederne i RENbladene til å prosjektere elektriske anlegg. REN besluttet på bakgrunn av dette å videreutvikle løsningen i 2024.

Verdi for kunden

REN fikk gjennom en begrenset pilot verifisert hypotesen om at det finnes etterspørsel etter en språkmodellbasert løsning for å hente kunnskap fra RENbladene.

SpareBank1 Kreditt ønsket å bruke data til å automatisere vurderingen av kredittsøknader. Krav til nøyaktighet og sikker bruk av kunstig intelligens/ maskinlæring var spesielt viktig i arbeidet for å predikere potensielt mislighold.

I tett samarbeid med kunden, har Kantega utviklet en ny maskinlæringsmodell til predikering av mislighold.

SpareBank 1 Kreditt

SpareBank 1 Kreditt er en ansvarlig kredittleverandør som gjennomfører omfattende risikovurderinger når kundene søker om kreditt. Med flere års erfaring og data samlet i markedet, hadde de et godt utgangspunkt for å automatisere søknadsvurdering enda mer på en trygg måte. I tillegg har de fokus på å ta i bruk smarte AI-løsninger på flere andre områder. Dette krever gode verktøy og systemer for å legge til rette for ytterligere innovasjon.
I tett samarbeid utviklet SpareBank 1 Kreditt og Kantega en ny maskinlæringsmodell til predikering av mislighold av kredittprodukter (PD-modell) basert på historisk data. I denne prosessen fokuserte vi på tradisjonelle maskinlæringsmodeller med god forklarbarhet. Vi brukte de vanlige teknologiene med Python, scikit-learn og Jupyter, samt visualiseringsverktøy som seaborn. Kantega har også hjulpet SpareBank 1 Kreditt i skyreisen med å etablere robuste løsninger til trening av flere maskinlæringsmodeller i Azure Machine Learning Studio. I arbeidet brukte vi også Python og Azure DevOps for å ha gode, kodesentrerte løsninger basert på erfaringer fra vanlig systemutvikling.
Med egenutviklet modell for å estimere kredittrisiko, kan SpareBank 1 Kreditt gjennomføre bedre og mer automatiserte vurderinger av søknader. Dette kan frigjøre arbeidstid til rådgivere, samt øke tryggheten i evalueringen takket være full kontroll på hele prosessen. Som en positiv konsekvens av arbeidet med å etablere gode systemer og rutiner for utvikling av maskinlæringsmodeller i skyen, har selskapet muligheten til å rulle ut nye løsninger trygt og raskt. Kantega har samarbeidet med SpareBank 1 Kreditt i flere år, og har levert rådgivning og konsulenttjenester innenfor utvikling, operasjonalisering og integrering av løsninger for maskinlæring.