Rahansiirtojen valvontaratkaisu ML-analytiikalla Grafanassa

Abstract

Tässä opinnäytetyössä kehitettiin koneoppimista hyödyntävä valvontaratkaisu yrityksen ja pankkien välisten rahansiirtojen seurantaan. Ratkaisu toteutettiin Google Cloud Platformin (GCP) palveluilla, ja sen tavoitteena oli selvittää, kuinka tekoälymenetelmiä voidaan soveltaa reaaliaikaisessa järjestelmävalvonnassa, erityisesti poikkeamien tunnistamiseen ja rahaliikenteen ennustamiseen.

Projektissa rakennettiin tekninen kokonaisuus simuloidun datan pohjalta. Se koostui BigQuery-tietovarastosta ja neljästä analyysimallista (Z-Score-analyysi, Isolation Forest -malli, Vertex AI Forecast -malli ja luokittelumalli). Visualisointiin ja käyttöliittymään käytettiin Grafana Cloud -järjestelmää. Mallien toteutuksessa hyödynnettiin Pythonia kaikissa muissa malleissa paitsi Vertex AI Forecastissa, joka rakennettiin Googlen käyttöliittymän avulla. Mallien tulokset esitettiin Grafanassa erillisissä paneeleissa, ja käyttöliittymä jaettiin yleis-, virhe- ja mallikohtaisiin näkymiin.

Pankkien yksilölliset toimintamallit ja rajallinen näkyvyys niiden järjestelmiin toivat ennustamiseen haasteita. Tästä huolimatta projekti osoitti, että koneoppimismalleilla on potentiaalia tukea valvontaa myös tällaisessa kontekstissa.

Työ toteutettiin aluksi kehittäjän omassa GCP-projektissa ja Grafana Cloud -ympäristössä, mikä mahdollisti joustavamman kehityksen ilman organisaation hallinnollisia rajoitteita. Ratkaisun skaalautuvuus, visuaalisuus ja laajennettavuus tekevät siitä soveltuvan myös muihin järjestelmävalvonnan käyttötapauksiin.

Opinnäytetyön lopputuloksena syntyi toimiva prototyyppi järjestelmä, joka paitsi saavuttu asetetut tavoitteet, luo myös pohjan tekoälypohjaisen valvonnan jatkokehitykselle organisaatiossa.

This thesis project developed a machine learning–based monitoring solution for tracking financial transactions between a company and banks. The solution was implemented using services provided by Google Cloud Platform (GCP), with the goal of exploring how artificial intelligence methods can be applied in real-time system monitoring, particularly for anomaly detection and transaction forecasting.

A technical architecture was built based on simulated data. It consisted of a BigQuery data warehouse and four analytical models: Z-Score analysis, an Isolation Forest model, a Vertex AI Forecast model, and a Classification model. Grafana Cloud was used for the user interface and visualization. The models were implemented in Python, except for the Vertex AI Forecast model, which was built using Google’s automated service. The results of each model were displayed in Grafana using dedicated panels, and the user interface was organized into general, error-specific, and model-specific views.

Individual operational patterns of banks and limited visibility into their internal systems posed challenges for forecasting. Nevertheless, the project demonstrated that machine learning models hold significant potential in supporting monitoring even in such constrained contexts.

The development was initially carried out in the developer’s personal GCP project and Grafana Cloud environment, allowing for more flexible development without administrative restrictions from the organization. The solution’s scalability, visual clarity, and extensibility make it suitable for other system monitoring use cases as well.

As a result, the thesis produced a working prototype system that not only achieved the defined objectives but also lays the groundwork for future development of AI-driven monitoring within the organization.