Transação
tempo real
- alimenta
- Feature storefeatures
Todos os casos técnicos
Sistemas de MLMLOpsMonitorização5 meses
Pipeline de deteção de fraude + monitorização
Os analistas passavam o dia com falsos alarmes. A fila de revisão tem agora um terço do tamanho.
Taxa de falsos positivos
1,6%
Modelo calibrado por custo, mesmo recall
Antes
4,1%
Regras estáticas com o recall-alvo
Em termos simples
O que é isto.
Sem jargão nesta secção. A descrição técnica está mais abaixo.
O que estava a correr mal
Um conjunto fixo de regras apanhava a fraude que já conhecia e mais nada. Os analistas passavam o dia a atravessar falsos alarmes, enquanto padrões de ataque realmente novos passavam despercebidos durante semanas.
O que construímos
Construímos um scoring em tempo real que pondera o custo real de cada tipo de erro, acrescentámos monitorização que dá o alerta quando o comportamento muda, e implementámo-lo gradualmente ao lado das regras existentes em vez de as substituir de um dia para o outro.
O que mudou
Apanhando a mesma quantidade de fraude, os falsos alarmes caíram de 4,1% para 1,6% — o que reduziu a fila de revisão em quase dois terços. Os novos padrões surgem agora em poucos dias, e cada transação recusada vem acompanhada de uma razão.
Arquitetura
Como tudo se encaixa.
Percorra as etapas. Tudo o que está marcado como acrescentado é um componente que não existia antes deste projeto.
Feature store
online
- recebe de
- Transaçãofeatures
- alimenta
- Scorer GBDT
Scorer GBDT
241 features
- recebe de
- Feature store
- alimenta
- Matriz de custos · Monitor de driftlog
Matriz de custos
limiares
- recebe de
- Scorer GBDT
- alimenta
- Fila de analistasrevisão
Fila de analistas
explicado
- recebe de
- Matriz de custosrevisão
Monitor de drift
psi + ks
- recebe de
- Scorer GBDTlog
Transação
tempo real
- alimenta
- Feature storefeatures
Feature store
online
Acrescentámos isto- recebe de
- Transaçãofeatures
- alimenta
- Scorer GBDT
Scorer GBDT
241 features
Acrescentámos isto- recebe de
- Feature store
- alimenta
- Matriz de custos · Monitor de driftlog
Matriz de custos
limiares
Acrescentámos isto- recebe de
- Scorer GBDT
- alimenta
- Fila de analistasrevisão
Fila de analistas
explicado
- recebe de
- Matriz de custosrevisão
Monitor de drift
psi + ks
Acrescentámos isto- recebe de
- Scorer GBDTlog
A descrição
Como seria construído.
Conjunto de dados, abordagem, métricas-alvo e a stack. Escrito para quem tiver de o rever.
Sistemas de MLMLOpsMonitorização5 meses
Pipeline de deteção de fraude + monitorização
Scoring em tempo real com pipelines de features, monitorização e implementações controladas.
Problema
Um conjunto estático de regras apanhava padrões de fraude conhecidos e mais nada. Os analistas afogavam-se em falsos positivos enquanto padrões de ataque novos ficavam semanas sem ser sinalizados.
Conjunto de dados
- linhas
- 186 M de transações
- features
- 241
- fontes
- Pagamentos, dispositivo, comportamento
- janela
- 28 meses
Abordagem
- 01Construímos uma feature store em tempo real com paridade estrita offline/online
- 02Treinámos um modelo de gradient boosting com tratamento forte do desequilíbrio de classes
- 03Definimos os limiares a partir de uma matriz de custos explícita em vez do F1
- 04Acrescentámos monitorização de drift e um ciclo de retreino champion/challenger
Métricas
- 0,79
- PR-AUC +0,34
- -61%
- falsos positivos com o mesmo recall
- 28 ms
- p95 do scoring inline
- 0,041
- PSI de drift monitorizado
Evidência
- fonte
- Design de referência
- números
- Ilustrativo — valores típicos para este design
- medição
- Não medido. Valores típicos para um design de referência deste tipo, não observados num sistema de cliente.
- referência
- Não disponível para este projeto
- última revisão
- 2026-08-25
Impacto no negócio
- Fila de revisão dos analistas reduzida em quase dois terços
- Padrões novos detetados em dias em vez de semanas
- Cada recusa explicável com atribuições por feature
Stack tecnológica
- Python
- Kafka
- Flink
- LightGBM
- Feast
- Prometheus
- Grafana
Seguinte
Precisa de um sistema como este?
Responda a seis perguntas e dizemos-lhe se esta forma se adequa ao seu problema — incluindo quando não se adequa.