Betrugserkennung in Echtzeit mit Feature Views
Von KI aus dem englischen Original übersetzt. Auf Englisch ansehen
Mit Feature Views definieren Sie Betrugs-Features einmal und verwenden sie sowohl für zeitpunktgenaues Training als auch für Online-Scoring wieder. Das verringert Data Leakage und Training-Serving-Skew. Das Beispiel kombiniert Rolling Windows für Zahlungsspitzen mit einer 30-Tage-Sawtooth-Baseline und einem On-Demand-Feature, das jede Zahlung anhand dieser Baseline bewertet. Ein einziger Aufruf von materialize_features() richtet verwaltete Streaming-Pipelines in den Online Feature Store auf Lakebase ein – mit einer Feature-Aktualität von unter 200 ms.
* Feature Views definieren Betrugs-Features einmal und verwenden sie für zeitpunktgenaues Training und Online-Scoring wieder. Das verringert Data Leakage und Training-Serving-Skew. * Rolling Windows erkennen Zahlungsspitzen, eine 30-Tage-Sawtooth-Baseline erfasst das normale Ausgabeverhalten, und ein On-Demand-Feature bewertet jede Zahlung anhand dieser Baseline. * Ein Aufruf von materialize_features() erstellt verwaltete Streaming-Pipelines in den Online Feature Store auf Lakebase – mit einer Feature-Aktualität von unter 200 ms.