金融 / 数字银行
Nubank：改善实时金融欺诈检测的运营成本
- 企业
- Nubank
- 国家
- 巴西
- 实施阶段
- 运营中
- 资料发布
- 日期依据
- 资料发布的时间，可能与启用日期不同。
- 依据核验方式
- 阅读原文正文
业务问题
Nubank需要监看数百万客户的交易。批处理模型把大量数据攒起来，第二天才给出预测。有人盗用信用卡尝试支付时，批处理模型要到第二天才能发现，那时损失已经造成。在欺诈检测里，哪怕晚几秒，也会错过本可以拦下的交易。
使用的技术与数据
Nubank把实时模型部署在Model Server上。这是把对接内部系统的Clojure层与运行模型的Python层结合起来的结构。Clojure层负责认证、安全和日志，Python层只做推理。过去24小时交易之类的短期特征实时计算并存入hot数据库，过去90天交易之类的长期特征则批量预先计算，通过feature store提供。并非所有事件都送进模型。前置策略规则先过滤掉低风险事件。新模型先以shadow mode运行，处理真实数据但不影响面向客户的判断。
成果
Nubank表示，在欺诈检测中，模型处理的交易量从每秒2,800笔降到每秒20笔。公司说明，把按分片分别部署的方式改为由一组pod处理全部分片的全局部署后，基础设施成本最多降低30%，稳定性也有所提高。在shadow mode中，会预先确认是否满足PIX交易700ms之类的SLA。
局限与待解问题
30%是基础设施成本的节省，不是欺诈损失金额的下降。原文没有说明检测准确度变化了多少。
来源
- Practices to scale Machine Learning operations - Building Nubankbuilding.nubank.com, 查阅
本案例根据公开资料整理，并非 ATF Works 客户的成果。