金融 / デジタル銀行
Nubank：リアルタイムの金融不正検知の運用費用の改善
- 企業
- Nubank
- 国
- ブラジル
- 導入状況
- 運用中
- 資料公開
- 日付の基準
- 資料が公開された時点。導入を開始した日とは異なる場合がある。
- 根拠の確認方法
- 原文の本文を閲覧
業務課題
Nubankは数百万の顧客の取引を見守る。バッチのモデルは大きなデータを集めておき、翌日に予測を出す。誰かがクレジットカードを盗んで決済を試みると、バッチのモデルは翌日になってようやく捉える。被害がすでに終わったあとである。不正の検知は数秒遅れるだけでも、止められる取引を逃す。
使った技術とデータ
NubankはリアルタイムのモデルをModel Serverの上に載せた。社内のシステムとつなぐClojureの層と、モデルを回すPythonの層を合わせた構造である。Clojureの層は認証と保安、ロギングを担い、Pythonの層は推論だけを行う。過去24時間の取引のような短期の特徴はリアルタイムで計算してhotのデータベースに置き、過去90日の取引のような長期の特徴はバッチであらかじめ計算してfeature storeから渡す。すべてのイベントをモデルに入れるわけではない。事前の方針の規則で危険の低いイベントを先に濾す。新しいモデルは、実際のデータを処理しつつ顧客に向けた判断には影響を与えないshadow modeで先に回す。
成果
Nubankは、不正の検知でモデルが処理する取引を毎秒2,800件から毎秒20件に減らしたと述べた。シャードごとに分けて配備していたやり方を、一つのpodの束で全シャードを処理する全域の配備に変え、インフラの費用を最大30%下げ、安定性も高めたと説明した。shadow modeでは、PIXの取引の700msのようなSLAを満たすかをあらかじめ確かめる。
限界と残る課題
30%はインフラの費用の削減であり、不正の被害額の減少ではない。原文は、検知の精度がどれだけ変わったかを明らかにしていない。
出典
- Practices to scale Machine Learning operations - Building Nubankbuilding.nubank.com, 確認
公開資料をまとめた事例です。ATF Works導入企業の成果ではありません。