Problema
Un cliente servizi finanziari aveva bisogno di rilevamento frodi in tempo reale su stream di transazioni — segnalare attività sospette entro millisecondi dalla transazione, con bassi falsi positivi che altrimenti avrebbero bruciato budget di customer experience su utenti legittimi.
Approccio
Pipeline di inferenza in tempo reale contro un feed di transazioni streaming. Feature engineering che combina contesto transazione (importo, merchant, geografia, ora del giorno) con segnali comportamentali (velocità, deviazione dalle baseline per-account, comparazioni peer-group). Classificatore gradient-boosted per il layer di scoring primario con soglie esplicite per blocco-duro, review manuale e pass. Retraining continuo all'emergere di nuovi pattern di frode.
Stack
Streaming inference · gradient boosting · feature engineering · low-latency serving · monitoring
Risultato
Rilevamento frodi in tempo reale che ha ridotto significativamente le perdite nel periodo di ingaggio, con il tasso di falsi positivi tenuto abbastanza basso da non disturbare il throughput delle transazioni legittime. Validato il pattern di "inferenza in tempo reale al transaction edge" piuttosto che review di frode in batch ore dopo che la perdita è già stata contabilizzata.