He trabajado con una compañía llamada SiftScience que se especializa en soluciones contra el fraude / abuso. Recientemente recaudaron una ronda de financiación de $ 30 millones.
¿Qué hace que valga la pena pagar SiftScience? Hay compañías como Airbnb con equipos de datos internos que los utilizan.
La respuesta son los datos. SiftScience es capaz de crear grandes modelos optimizados que se adaptan a sus necesidades específicas. Modela el comportamiento humano en su núcleo y es capaz de hacerlo utilizando los datos anónimos colectivos de todos sus clientes.
- ¿Cuáles son las ventajas de la regresión logística?
- ¿Qué ha causado la gran mejora en los algoritmos de reconocimiento de voz en los últimos años: mejores algoritmos (si es así, ¿cuál?) O la mayor potencia informática?
- ¿Cuál es la relación entre covarianza cero e independencia? ¿Cuáles son ejemplos en la ciencia de variables que no son independientes pero tienen cero covarianza?
- ¿De dónde obtienen los sistemas de conducción autónomos sus datos de entrenamiento?
- En el modelado de datos, ¿podría ser una buena idea crear algorítmicamente una característica grande para activar las meta características actuales antes del modelado?
En esencia, tienen un conjunto de conjuntos. Su plataforma es capaz de adaptarse rápidamente al comportamiento cambiante del usuario y contiene herramientas para automatizar la toma de decisiones de abuso. Su diversidad de datos reduce la probabilidad de sobreajuste y crea un modelo robusto y eficiente.
Es extremadamente lento y a menudo muy desafiante entrenar modelos sin datos suficientes. SiftScience puede aprovechar el hecho de que el abuso / fraude es un tema común en muchas plataformas en línea.
Al proporcionar una API fácil de usar y abstraer las complejidades de ejecutar una infraestructura de datos escalable, han creado una oferta MLaS muy lucrativa.
Fuente: 3 meses de pruebas de implementación con SiftScience.
