Exjobb: Bedrägeridetektion genom användning av grafstrukturer med dataprogrammeringsmetoder
Fortnox ABLinköping
- Publicerad
- 15 okt. 2026
Få ett CV och ett brev skrivna för det här jobbet
Ladda upp ditt CV. Jobbjagaren hittar det i din erfarenhet som jobbet frågar efter och skriver ett CV och ett personligt brev utifrån det. Det som saknas läggs inte till.
Få hjälp att söka jobbet4 ansökningar med CV och brev ingår gratis. Inget betalkort.
Visa originalannonsOm tjänsten
Vi tror på ett samhälle format av framgångsrika företag där entreprenörskap och samhällsnytta går hand i hand. Att vara en del av Fortnox är att vara en del av en ständig förändring - en förändring där du själv bestämmer hur långt du vill nå. Vårt största fokus är att ge dig rätt förutsättningar att få leva din passion tillsammans med oss. Var du kommer ifrån är inte relevant - det är vart du är på väg som är intressant för oss. Precis som vi igår inte kunde drömma om det Fortnox som finns idag, så kan du vara med och forma vilka vi är imorgon.
Bakgrund
Som en av de ledande aktörerna i Sverige när det kommer till affärssystem, så är Fortnox en viktig del i Sveriges finansierings- och betal-sektor. Denna centrala roll innebär en risk för att plattformen utnyttjas för bedrägliga ändamål. Traditionella detektionsmetoder, såsom regelbaserade system och individuella företagsanalyser, kräver en hel del resurser och misslyckas ofta med att identifiera komplexa, sammankopplade nätverk av olagliga aktiviteter. Dessa metoder har svårt att se helhetsbilden och missar de subtila kopplingarna mellan till synes orelaterade transaktioner och entiteter.
Den data som finns tillgänglig genom affärssystemet kan användas för att modellera scenariot som en graf: företag och individer blir noder som är sammankopplade med edges som representerar transaktioner, relationer, ägande, etc.. Denna datamodelleringsstrategi fångar den komplexa sammankopplingen hos moderna företag, vilket möjliggör visualisering och vidare analys. Genom att utnyttja grafstrukturen möjliggör vi användningen av grafalgoritmer, både klassiska och maskininlärningsbaserade, för att upptäcka mönster och relationer som indikerar en hög risk för bedrägeri.
