Transactie
realtime
- voedt
- Feature storefeatures
Alle case studies
ML-systemenMLOpsMonitoring5 maanden
Fraudedetectiepipeline + monitoring
Analisten waren hun dag kwijt aan valse alarmen. De controlewachtrij is nu een derde zo groot.
False-positive rate
1.6%
Op kosten gekalibreerd model, dezelfde recall
Was
4.1%
Statische regels bij doel-recall
In gewone taal
Wat dit is.
Geen jargon in deze sectie. De technische uitwerking staat verderop.
Wat er misging
Een vaste set regels ving de fraude die al bekend was en verder niets. Analisten ploegden de hele dag door valse alarmen, terwijl echt nieuwe aanvalspatronen wekenlang onopgemerkt bleven.
Wat we bouwden
We hebben realtime scoring gebouwd die de werkelijke kosten van elk soort fout afweegt, monitoring toegevoegd die alarm slaat als gedrag verschuift, en het geleidelijk uitgerold naast de bestaande regels in plaats van ze in één keer te vervangen.
Wat er veranderde
Bij dezelfde hoeveelheid gevangen fraude daalden de valse alarmen van 4,1% naar 1,6% — waardoor de controlewachtrij met bijna twee derde kromp. Nieuwe patronen komen nu binnen dagen boven, en elke geweigerde transactie heeft een reden.
Architectuur
Hoe het in elkaar past.
Scroll door de fasen. Alles wat als toegevoegd is gemarkeerd, is een component dat vóór dit project niet bestond.
Feature store
online
- ontvangt van
- Transactiefeatures
- voedt
- GBDT-scorer
GBDT-scorer
241 features
- ontvangt van
- Feature store
- voedt
- Kostenmatrix · Driftmonitorloggen
Kostenmatrix
drempels
- ontvangt van
- GBDT-scorer
- voedt
- Analistenwachtrijcontrole
Analistenwachtrij
uitgelegd
- ontvangt van
- Kostenmatrixcontrole
Driftmonitor
psi + ks
- ontvangt van
- GBDT-scorerloggen
Transactie
realtime
- voedt
- Feature storefeatures
Feature store
online
Dit hebben wij toegevoegd- ontvangt van
- Transactiefeatures
- voedt
- GBDT-scorer
GBDT-scorer
241 features
Dit hebben wij toegevoegd- ontvangt van
- Feature store
- voedt
- Kostenmatrix · Driftmonitorloggen
Kostenmatrix
drempels
Dit hebben wij toegevoegd- ontvangt van
- GBDT-scorer
- voedt
- Analistenwachtrijcontrole
Analistenwachtrij
uitgelegd
- ontvangt van
- Kostenmatrixcontrole
Driftmonitor
psi + ks
Dit hebben wij toegevoegd- ontvangt van
- GBDT-scorerloggen
De uitwerking
Hoe het gebouwd zou worden.
Dataset, aanpak, doelmetrics en de stack. Geschreven voor wie het moet reviewen.
ML-systemenMLOpsMonitoring5 maanden
Fraudedetectiepipeline + monitoring
Realtime scoring met featurepipelines, monitoring en gecontroleerde uitrol.
Probleem
Een statische set regels ving bekende fraudepatronen en verder niets. Analisten verdronken in false positives, terwijl nieuwe aanvalspatronen wekenlang niet gemarkeerd werden.
Dataset
- rijen
- 186M transacties
- features
- 241
- bronnen
- Betalingen, apparaat, gedrag
- periode
- 28 maanden
Aanpak
- 01Een realtime feature store gebouwd met strikte offline/online-pariteit
- 02Een gradient-boosted model getraind met uitgebreide behandeling van klassenonbalans
- 03Drempels bepaald met een expliciete kostenmatrix in plaats van F1
- 04Driftmonitoring toegevoegd en een champion/challenger-hertrainingslus
Metrics
- 0.79
- PR-AUC +0.34
- -61%
- false positives bij gelijke recall
- 28ms
- scoring p95 inline
- 0.041
- drift-PSI gemonitord
Bewijs
- bron
- Referentieontwerp
- cijfers
- Illustratief — typische waarden voor dit ontwerp
- meting
- Niet gemeten. Gangbare waarden voor een referentieontwerp van dit type, niet waargenomen op een klantsysteem.
- referentie
- Niet beschikbaar voor dit project
- laatst gecontroleerd
- 2026-08-25
Bedrijfsimpact
- Controlewachtrij van analisten met bijna twee derde verkleind
- Nieuwe patronen binnen dagen zichtbaar in plaats van weken
- Elke weigering uit te leggen met feature-attributies
Tech stack
- Python
- Kafka
- Flink
- LightGBM
- Feast
- Prometheus
- Grafana
Volgende
Een systeem als dit nodig?
Beantwoord zes vragen en we vertellen je of deze opzet bij je probleem past — ook als dat niet zo is.