Clientul: Cine sunt
O bancă retail digital-first, care procesează volume mari de tranzacții, cu o echipă de data science aflată sub presiunea de a reduce pierderile din fraudă fără a frustra clienții autentici.
Provocarea: Identificarea problemei
Echipa de data science a băncii construise un model de fraudă promițător în notebook-uri, dar acesta nu a ajuns niciodată în producție — nu exista o infrastructură MLOps pentru a-l lansa, monitoriza sau reantrena, iar datele de tranzacții de bază aveau probleme de calitate pe care modelul le absorbea în tăcere. „Modelul nostru funcționa excelent în notebook și niciodată în lumea reală,” a declarat directorul de AI/ML .
Parcursul: Căutarea unei soluții
Echipa a încercat să predea modelul grupului de inginerie pentru lansare manuală, dar, fără un pipeline repetabil, fiecare ciclu de reantrenare devenea un proiect personalizat care consuma săptămâni întregi de timp de inginerie.
Descoperirea: Găsirea IDS
CDO-ul băncii a intrat în contact cu IDS prin colaborarea existentă privind guvernanța datelor, recunoscând că problemele de calitate a datelor din modelul de fraudă proveneau din aceleași cauze de fond.
Soluția: Intervenția
IDS a reconstruit pipeline-ul de fraudă pe date de tranzacții guvernate, apoi a operaționalizat modelul folosind Databricks și MLflow pentru urmărirea experimentelor, versionare și reantrenare automată, Azure ML ocupându-se de lansare și de monitorizarea driftului.
Implementarea: Bătălia
Modelul a fost lansat inițial în shadow mode — evaluând tranzacțiile live fără a acționa asupra lor — astfel încât echipa de fraudă să poată valida performanța înainte ca acesta să înceapă să blocheze tranzacții. Principalul obstacol a fost calibrarea falsurilor pozitive; IDS a lucrat iterativ cu echipa operațională de fraudă pentru a calibra pragurile în funcție de costul real, atât al pierderilor din fraudă, cât și al fricțiunii resimțite de clienți.
Rezultatele: Finalul fericit
- Rata falsurilor pozitive: redusă cu 35%
- Fraude detectate înainte de tranzacție: +25% față de sistemul bazat pe reguli
- Ciclul de reantrenare a modelului: manual/ad hoc → automat, lunar
- Timpul de la actualizarea modelului până în producție: săptămâni → zile
„Acesta este primul model care a supraviețuit efectiv contactului cu producția.” — Directorul de AI/ML
Tehnologii folosite: Databricks · MLflow · Python · Scikit-learn · Azure ML