Transaction
temps réel
- alimente
- Feature storefeatures
Toutes les études de cas
Systèmes de MLMLOpsMonitoring5 mois
Pipeline de détection de fraude + monitoring
Les analystes passaient leur journée sur de fausses alertes. La file de vérification fait désormais un tiers de sa taille.
Taux de faux positifs
1,6 %
Modèle calibré sur les coûts, même recall
Avant
4,1 %
Règles statiques au recall cible
En clair
De quoi il s'agit.
Pas de jargon dans cette section. Le compte rendu technique se trouve plus bas.
Ce qui n'allait pas
Un ensemble de règles fixe attrapait la fraude qu'il connaissait déjà, et rien d'autre. Les analystes pataugeaient dans les fausses alertes toute la journée pendant que des schémas d'attaque réellement nouveaux passaient inaperçus pendant des semaines.
Ce que nous avons construit
Nous avons construit un scoring en temps réel qui pèse le coût réel de chaque type d'erreur, ajouté un monitoring qui lève une alerte quand les comportements changent, et déployé le tout progressivement à côté des règles existantes plutôt que de les remplacer du jour au lendemain.
Ce qui a changé
À volume de fraude détectée égal, les fausses alertes sont passées de 4,1 % à 1,6 %, ce qui réduit la file de vérification de près des deux tiers. Les nouveaux schémas apparaissent désormais en quelques jours, et chaque transaction refusée est accompagnée d'une raison.
Architecture
Comment l'ensemble s'articule.
Faites défiler les étapes. Tout ce qui est marqué comme ajouté est un composant qui n'existait pas avant ce projet.
Feature store
en ligne
- reçoit de
- Transactionfeatures
- alimente
- Scoreur GBDT
Scoreur GBDT
241 features
- reçoit de
- Feature store
- alimente
- Matrice de coûts · Monitoring de dérivelog
Matrice de coûts
seuils
- reçoit de
- Scoreur GBDT
- alimente
- File des analystesvérification
File des analystes
expliquée
- reçoit de
- Matrice de coûtsvérification
Monitoring de dérive
psi + ks
- reçoit de
- Scoreur GBDTlog
Transaction
temps réel
- alimente
- Feature storefeatures
Feature store
en ligne
Nous avons ajouté ceci- reçoit de
- Transactionfeatures
- alimente
- Scoreur GBDT
Scoreur GBDT
241 features
Nous avons ajouté ceci- reçoit de
- Feature store
- alimente
- Matrice de coûts · Monitoring de dérivelog
Matrice de coûts
seuils
Nous avons ajouté ceci- reçoit de
- Scoreur GBDT
- alimente
- File des analystesvérification
File des analystes
expliquée
- reçoit de
- Matrice de coûtsvérification
Monitoring de dérive
psi + ks
Nous avons ajouté ceci- reçoit de
- Scoreur GBDTlog
Le compte rendu
Comment il serait construit.
Jeu de données, approche, métriques cibles et stack. Écrit pour la personne qui devra le relire.
Systèmes de MLMLOpsMonitoring5 mois
Pipeline de détection de fraude + monitoring
Scoring en temps réel avec pipelines de features, monitoring et déploiements contrôlés.
Problème
Un jeu de règles statique attrapait les schémas de fraude connus et rien d'autre. Les analystes croulaient sous les faux positifs pendant que de nouveaux schémas d'attaque restaient non signalés pendant des semaines.
Jeu de données
- lignes
- 186 M de transactions
- features
- 241
- sources
- Paiements, appareil, comportement
- fenêtre
- 28 mois
Approche
- 01Construit un feature store temps réel avec une stricte parité offline/online
- 02Entraîné un modèle de gradient boosting avec un traitement poussé du déséquilibre des classes
- 03Fixé les seuils à partir d'une matrice de coûts explicite plutôt que du F1
- 04Ajouté un monitoring de la dérive et une boucle de réentraînement champion/challenger
Métriques
- 0,79
- PR-AUC +0,34
- -61 %
- faux positifs à recall égal
- 28 ms
- p95 du scoring en ligne
- 0,041
- PSI de dérive surveillé
Preuves
- source
- Architecture de référence
- chiffres
- Illustratif — valeurs typiques pour cette architecture
- mesure
- Non mesuré. Valeurs typiques pour une architecture de référence de ce type, non observées sur un système client.
- référence
- Non disponible pour ce projet
- dernière revue
- 2026-08-25
Impact métier
- File de vérification des analystes réduite de près des deux tiers
- Nouveaux schémas détectés en quelques jours au lieu de semaines
- Chaque refus explicable par les attributions de features
Stack technique
- Python
- Kafka
- Flink
- LightGBM
- Feast
- Prometheus
- Grafana
Suite
Besoin d'un système comme celui-ci ?
Répondez à six questions et nous vous dirons si cette architecture correspond à votre problème — y compris quand ce n'est pas le cas.