Détection de fraude en temps réel avec Feature Views
Traduit de l'original anglais par IA. Voir en anglais
Feature Views permet de définir une seule fois les features de détection de fraude et de les réutiliser aussi bien pour l'entraînement point-in-time que pour le scoring en ligne, ce qui réduit le data leakage et le décalage entre entraînement et serving. L'exemple associe des fenêtres glissantes pour repérer les pics de paiements à une baseline Sawtooth sur 30 jours, ainsi qu'à une feature à la demande qui évalue chaque paiement par rapport à cette baseline. Un seul appel à materialize_features() met en place des pipelines de streaming managés vers l'Online Feature Store sur Lakebase, avec une fraîcheur des features inférieure à 200 ms.
* Feature Views permet de définir une seule fois les features de fraude et de les réutiliser pour l'entraînement point-in-time et le scoring en ligne, ce qui réduit le data leakage et le décalage entre entraînement et serving. * Les fenêtres glissantes détectent les pics de paiements, une baseline Sawtooth sur 30 jours reflète les dépenses habituelles et une feature à la demande évalue chaque paiement par rapport à cette baseline. * Un seul appel à materialize_features() crée des pipelines de streaming managés vers l'Online Feature Store sur Lakebase, avec une fraîcheur des features inférieure à 200 ms.