Transazione
tempo reale
- alimenta
- Feature storefeature
Tutti i case study
Sistemi MLMLOpsMonitoraggio5 mesi
Pipeline di rilevamento frodi + monitoraggio
Gli analisti passavano la giornata sui falsi allarmi. Ora la coda di revisione è un terzo di prima.
Tasso di falsi positivi
1.6%
Modello calibrato sui costi, stessa recall
Prima
4.1%
Regole statiche alla recall obiettivo
In parole semplici
Di cosa si tratta.
Niente gergo in questa sezione. La descrizione tecnica è più in basso.
Cosa non funzionava
Un insieme fisso di regole intercettava le frodi che già conosceva e nient'altro. Gli analisti si facevano strada tra i falsi allarmi tutto il giorno, mentre schemi di attacco davvero nuovi passavano inosservati per settimane.
Cosa abbiamo costruito
Abbiamo costruito uno scoring in tempo reale che pesa il costo reale di ciascun tipo di errore, aggiunto un monitoraggio che segnala quando il comportamento cambia, e lo abbiamo introdotto gradualmente accanto alle regole esistenti invece di sostituirle da un giorno all'altro.
Cosa è cambiato
A parità di frodi intercettate, i falsi allarmi sono scesi dal 4,1% all'1,6%, riducendo la coda di revisione di quasi due terzi. I nuovi schemi ora emergono in pochi giorni, e ogni transazione rifiutata è accompagnata da una motivazione.
Architettura
Come si incastrano le parti.
Scorra le fasi. Tutto ciò che è contrassegnato come aggiunto è un componente che non esisteva prima di questo progetto.
Feature store
online
- riceve da
- Transazionefeature
- alimenta
- Scorer GBDT
Scorer GBDT
241 feature
- riceve da
- Feature store
- alimenta
- Matrice dei costi · Monitor del driftlog
Matrice dei costi
soglie
- riceve da
- Scorer GBDT
- alimenta
- Coda analistirevisione
Coda analisti
spiegata
- riceve da
- Matrice dei costirevisione
Monitor del drift
psi + ks
- riceve da
- Scorer GBDTlog
Transazione
tempo reale
- alimenta
- Feature storefeature
Feature store
online
L'abbiamo aggiunto noi- riceve da
- Transazionefeature
- alimenta
- Scorer GBDT
Scorer GBDT
241 feature
L'abbiamo aggiunto noi- riceve da
- Feature store
- alimenta
- Matrice dei costi · Monitor del driftlog
Matrice dei costi
soglie
L'abbiamo aggiunto noi- riceve da
- Scorer GBDT
- alimenta
- Coda analistirevisione
Coda analisti
spiegata
- riceve da
- Matrice dei costirevisione
Monitor del drift
psi + ks
L'abbiamo aggiunto noi- riceve da
- Scorer GBDTlog
La descrizione
Come verrebbe costruito.
Dataset, approccio, metriche obiettivo e stack. Scritto per chi dovrà esaminarlo.
Sistemi MLMLOpsMonitoraggio5 mesi
Pipeline di rilevamento frodi + monitoraggio
Scoring in tempo reale con pipeline di feature, monitoraggio e rollout controllati.
Problema
Un insieme statico di regole intercettava gli schemi di frode noti e nient'altro. Gli analisti annegavano nei falsi positivi, mentre nuovi schemi di attacco restavano non segnalati per settimane.
Dataset
- righe
- 186M transazioni
- feature
- 241
- fonti
- Pagamenti, dispositivo, comportamento
- finestra
- 28 mesi
Approccio
- 01Costruito un feature store in tempo reale con stretta parità offline/online
- 02Addestrato un modello gradient boosting con una gestione robusta dello sbilanciamento delle classi
- 03Soglie fissate da una matrice dei costi esplicita invece che dall'F1
- 04Aggiunti monitoraggio del drift e un ciclo di riaddestramento champion/challenger
Metriche
- 0.79
- PR-AUC +0.34
- -61%
- falsi positivi a parità di recall
- 28ms
- scoring p95 inline
- 0.041
- PSI del drift monitorato
Evidenza
- fonte
- Reference design
- numeri
- Illustrativo: valori tipici per questo design
- misurazione
- Non misurato. Valori tipici per un progetto di riferimento di questo tipo, non osservati su un sistema di un cliente.
- referenza
- Non disponibile per questo progetto
- ultima revisione
- 2026-08-25
Impatto sul business
- Coda di revisione degli analisti ridotta di quasi due terzi
- Nuovi schemi individuati in giorni invece che in settimane
- Ogni rifiuto spiegabile con le attribuzioni delle feature
Stack tecnologico
- Python
- Kafka
- Flink
- LightGBM
- Feast
- Prometheus
- Grafana
Prossimo passo
Le serve un sistema come questo?
Risponda a sei domande e le diremo se questa struttura si adatta al suo problema, anche quando non è così.