Ohjelmisto poikkeamien tunnistamiseen maksuliikennedatasta

Keväällä 2016 toteutetun projektin tavoitteena oli tutustua muutamaan yleisesti käytettyyn koneoppimismenetelmään ja testata, miten hyvin ne soveltuvat poikkeamien tunnistamiseen aidosta taloushallinnon maksuliikennedatasta. Maksuliikennedata saatiin OpusCapitalta joka oli projektin toimeksiantaja. Data oli anonymisoitua, mutta muuten aitoa.

Projektissa oli mukana 22 Softalan opiskelijaa. Lisäksi mukana oli kaksi laskentatoimen opinnäytetyön tekijää liiketalouden koulutusohjelmasta. Softalan opiskelijat tutustuivat erilaisiin luokittelu- ja klusterointimenetelmiin sekä kehittivät niitä hyödyntävän sovelluksen. Laskentatoimen opiskelijat perehtyivät tyypillisiin poikkeamatyyppeihin ja huijaustapauksiin, joita maksuliikennedatassa esiintyy. Tämän lisäksi he toivat laskentatoimen osaamisensa projektin käyttöön. Softalaprojektin tuloksena syntyi kaksiosainen sovellus. Ensimmäinen osa muodostaa olemassa olevasta datasta koneoppimismenetelmien avulla mallin tyypillisistä poikkeamista. Toinen osa tunnistaa uudesta datasta poikkeamia vertaamalla sitä ensimmäisessä vaiheessa muodostettuun malliin.

Projektin toimeksiantaja OpusCapita oli tyytyväinen projektin tuloksiin. ”Projekti täytti tavoitteensa, sillä se osoitti että sopivia koneoppimismenetelmiä oikealla tavalla soveltamalla maksuliikennedatasta voidaan tunnistaa mahdollisia virhe- tai petostapauksia. Tästä saatiin erinomaisia eväitä jatkohankkeille, jotka ovat jo lähteneet meillä käyntiin!”, toteaa Jaakko Lehtinen, Head of RPA & AI, Head of FAO ICT, OpusCapitalta.  Softalan opiskelijat oppivat paljon sekä koneoppimisesta, ohjelmistokehityksestä että monialaisessa projektissa toimimisesta.