Problème
Un client services financiers avait besoin de détection de fraude en temps réel sur des flux de transactions — signaler une activité suspecte en millisecondes après une transaction, avec peu de faux positifs qui brûleraient sinon le budget customer experience sur des utilisateurs légitimes.
Approche
Pipeline d'inférence temps réel contre un flux de transactions streaming. Feature engineering combinant contexte de transaction (montant, marchand, géographie, heure) avec signaux comportementaux (vélocité, déviation par rapport aux baselines par compte, comparaisons peer-group). Classifieur gradient-boosted pour la couche de scoring primaire avec seuils explicites pour blocage-dur, revue manuelle et passe. Réentraînement continu à mesure que de nouveaux patterns de fraude émergeaient.
Stack
Streaming inference · gradient boosting · feature engineering · low-latency serving · monitoring
Résultat
Détection de fraude en temps réel qui a significativement réduit les pertes sur la période d'engagement, avec le taux de faux positifs maintenu assez bas pour ne pas perturber le throughput des transactions légitimes. Validé le pattern de "inférence temps réel au transaction edge" plutôt que de la revue de fraude batch des heures après que la perte a déjà été comptabilisée.