Transacción
tiempo real
- alimenta
- Feature storefeatures
Todos los casos de estudio
Sistemas de MLMLOpsMonitorización5 meses
Pipeline de detección de fraude + monitorización
Los analistas pasaban el día con falsas alarmas. Ahora la cola de revisión es un tercio de lo que era.
Tasa de falsos positivos
1.6%
Modelo calibrado por coste, mismo recall
Antes
4.1%
Reglas estáticas con el recall objetivo
En términos claros
Qué es esto.
Sin jerga en esta sección. La descripción técnica está más abajo.
Qué estaba fallando
Un conjunto fijo de reglas detectaba el fraude que ya conocía y nada más. Los analistas se abrían paso entre falsas alarmas todo el día mientras patrones de ataque realmente nuevos pasaban desapercibidos durante semanas.
Qué construimos
Construimos un scoring en tiempo real que pondera el coste real de cada tipo de error, añadimos monitorización que avisa cuando cambia el comportamiento y lo desplegamos gradualmente junto a las reglas existentes en lugar de sustituirlas de un día para otro.
Qué cambió
Detectando la misma cantidad de fraude, las falsas alarmas bajaron del 4,1% al 1,6%, lo que redujo la cola de revisión en casi dos tercios. Los patrones nuevos aparecen ahora en días, y cada transacción rechazada lleva un motivo adjunto.
Arquitectura
Cómo encaja todo.
Recorra las etapas. Todo lo marcado como añadido es un componente que no existía antes de este proyecto.
Feature store
online
- recibe de
- Transacciónfeatures
- alimenta
- Scorer GBDT
Scorer GBDT
241 features
- recibe de
- Feature store
- alimenta
- Matriz de costes · Monitor de driftlog
Matriz de costes
umbrales
- recibe de
- Scorer GBDT
- alimenta
- Cola de analistasrevisión
Cola de analistas
explicado
- recibe de
- Matriz de costesrevisión
Monitor de drift
psi + ks
- recibe de
- Scorer GBDTlog
Transacción
tiempo real
- alimenta
- Feature storefeatures
Feature store
online
Esto lo añadimos nosotros- recibe de
- Transacciónfeatures
- alimenta
- Scorer GBDT
Scorer GBDT
241 features
Esto lo añadimos nosotros- recibe de
- Feature store
- alimenta
- Matriz de costes · Monitor de driftlog
Matriz de costes
umbrales
Esto lo añadimos nosotros- recibe de
- Scorer GBDT
- alimenta
- Cola de analistasrevisión
Cola de analistas
explicado
- recibe de
- Matriz de costesrevisión
Monitor de drift
psi + ks
Esto lo añadimos nosotros- recibe de
- Scorer GBDTlog
La descripción
Cómo se construiría.
Dataset, enfoque, métricas objetivo y stack. Escrito para quien tenga que revisarlo.
Sistemas de MLMLOpsMonitorización5 meses
Pipeline de detección de fraude + monitorización
Scoring en tiempo real con pipelines de features, monitorización y despliegues controlados.
Problema
Un conjunto de reglas estático detectaba los patrones de fraude conocidos y nada más. Los analistas se ahogaban en falsos positivos mientras patrones de ataque nuevos pasaban sin marcar durante semanas.
Dataset
- filas
- 186M transacciones
- features
- 241
- fuentes
- Pagos, dispositivo, comportamiento
- ventana
- 28 meses
Enfoque
- 01Construimos un feature store en tiempo real con paridad estricta offline/online
- 02Entrenamos un modelo de gradient boosting con un tratamiento intensivo del desbalance de clases
- 03Fijamos los umbrales a partir de una matriz de costes explícita y no de F1
- 04Añadimos monitorización de drift y un ciclo de reentrenamiento champion/challenger
Métricas
- 0.79
- PR-AUC +0.34
- -61%
- falsos positivos con el mismo recall
- 28ms
- p95 de scoring inline
- 0.041
- PSI de drift monitorizado
Evidencia
- fuente
- Diseño de referencia
- cifras
- Ilustrativo: valores típicos para este diseño
- medición
- No medido. Valores típicos para un diseño de referencia de este tipo, no observados en el sistema de un cliente.
- referencia
- No disponible para este proyecto
- última revisión
- 2026-08-25
Impacto en el negocio
- Cola de revisión de analistas reducida en casi dos tercios
- Patrones nuevos detectados en días en lugar de semanas
- Cada rechazo explicable con atribuciones de features
Stack tecnológico
- Python
- Kafka
- Flink
- LightGBM
- Feast
- Prometheus
- Grafana
Siguiente paso
¿Necesita un sistema como este?
Responda seis preguntas y le diremos si este planteamiento encaja con su problema, también cuando no encaja.