Data Science / Machine Learning / Stage professionnel
Détection des anomalies de paiement d’assurance
Réseau neuronal PyTorch/Azure ML pour la détection des anomalies d'assurance d'entreprise DSN.
- Rôle
- Stagiaire en science des données
- Quand
- juil. 2023 - déc. 2023
- Statut
- professional research project
Un projet ML orienté recherche chez Klesia pour détecter les anomalies dans les déclarations DSN des entreprises et améliorer l'algorithme actuel de détection des anomalies non ML.
À la recherche des bonnes features
Les déclarations de paie DSN contiennent des centaines de signaux candidats, pour la plupart du bruit. Avant de construire le modèle final, j'ai exploré les données avec plusieurs méthodes - KNN pour la structure des quartiers, arbres de décision pour l'importance partagée, statistiques classiques pour les distributions - et n'ai conservé que les caractéristiques qui transmettaient systématiquement le signal. (Les diagrammes sont illustratifs - les données réelles sont confidentielles.)
Le modèle alimenté par ces fonctionnalités
Les fonctionnalités survivantes entraînent un réseau PyTorch sur Azure ML, comparé au détecteur basé sur des règles existant de Klesia.
Le pipeline
- 01 Extraire
Interrogez les entrepôts de Klesia avec SAS Enterprise Guide.
- 02 Explorer
Sondez les données DSN nettoyées avec KNN, des arbres de décision et une analyse statistique pour trouver les fonctionnalités qui transportent le signal.
- 03 Entraîner
Réseaux PyTorch sur Azure ML, itérant sur l'ensemble de fonctionnalités sélectionné.
- 04 Comparer
Comparez-vous au détecteur basé sur des règles existant pour déterminer où ML gagne.
Fonctionnalités
- Détection d'anomalies DSN
- Prédiction des anomalies de paiement de l'assurance entreprise
- Pipeline de prétraitement SAS/Python
- Réseau neuronal PyTorch
- Expérimentation Azure ML
Ce que j'ai fait
- Interrogation de grands ensembles de données Klesia à l'aide du SAS Enterprise Guide.
- Création d'ensembles de données de modélisation propres à partir de données brutes DSN.
- Combinaison du guide d'entreprise SAS et du prétraitement Python.
- Modèles de réseau neuronal PyTorch créés et entraînés dans Azure ML.
- Comparaison de la détection des anomalies ML avec les algorithmes métier existants.
Chronologie du projet
Chronologie des stages en science des données, de l'extraction de données SAS à la construction d'ensembles de données et aux expériences de détection d'anomalies PyTorch sur Azure ML.
juil. 2023Planification / Recherche
Stage de recherche commencé
Démarrage du stage data science Klesia axé sur la détection des anomalies de paiement des assurances des entreprises.
juil. 2023Planification / Recherche
SAS et découverte de bases de données
J'ai appris le guide d'entreprise SAS et interrogé les bases de données Klesia pour comprendre les données DSN disponibles.
août 2023Développement
Ensemble de données créé à partir de données brutes
Création d'ensembles de données d'apprentissage automatique à partir de données d'entreprise non nettoyées à l'aide du traitement SAS et Python.
sept. 2023Développement
Intégration et expériences de fonctionnalités
Exploration des techniques d'ingénierie des fonctionnalités et d'intégration pour la détection des anomalies DSN.
oct. 2023Développement
Modèle PyTorch sur Azure ML
Développement d'expériences de réseaux neuronaux avec PyTorch et Azure ML pour prédire ou détecter les anomalies de paiement.
déc. 2023Libération / Livraison
Résultats finaux du stage
Réalisation du travail de recherche de stage comparant la détection d'anomalies basée sur ML- à l'approche algorithmique existante non-ML.
Développé avec
- SAS Enterprise Guide
- Python
- PyTorch
- Azure ML
- Machine Learning
- Data cleaning
- Feature engineering