Bài toán

Gian lận giao dịch gây tổn thất tài chính và làm tăng khối lượng xử lý thủ công. Hệ thống cần hỗ trợ phát hiện sớm các giao dịch bất thường, giải thích lý do cảnh báo và chuyển các trường hợp rủi ro cao cho con người xem xét.

Giải pháp kỹ thuật

Trong phạm vi Target MVP, hệ thống sử dụng mô hình Machine Learning để tạo fraud_probability, kết hợp với Fraud Indicator Rules để sinh reason_codes, severity và các giá trị quan sát được. LangGraph Supervisor Agent điều phối quy trình điều tra, còn LLM chỉ tạo bản tóm tắt điều tra có cấu trúc.

Deterministic Policy Engine kết hợp kết quả mô hình, số tiền giao dịch, luật cảnh báo, chất lượng dữ liệu và khả năng phục vụ để đề xuất hành động như ALLOW, MONITOR, VERIFY hoặc PENDING_HUMAN_REVIEW. Các trường hợp rủi ro nghiêm trọng, thiếu dữ liệu hoặc mô hình không khả dụng luôn yêu cầu con người kiểm duyệt.

Tính khả thi

Kiến trúc được chia thành các module có hợp đồng API, feature, policy và rules rõ ràng, giúp dễ kiểm thử và mở rộng. MVP sử dụng dữ liệu tổng hợp có nhiễu và các trường hợp đối chứng, phù hợp cho học tập và demo kỹ thuật; hệ thống không tự động khóa tài khoản, chặn giao dịch thật, retrain hoặc deploy model.

Hướng phát triển

Các bước tiếp theo gồm bổ sung dữ liệu và monitoring trong môi trường thực tế, cải thiện explainability, hoàn thiện quy trình human-in-the-loop, lưu feedback người dùng và tạo retraining recommendation có kiểm soát trước khi xem xét tự động hóa ở các giai đoạn sau.