Detecção de fraude em tempo real com Feature Views
Traduzido do original em inglês por IA. Ver em inglês
Com o Feature Views, é possível definir as features de fraude uma única vez e reutilizá-las tanto no treinamento point-in-time quanto no scoring online, o que reduz o data leakage e o training-serving skew. O exemplo combina janelas móveis para picos de pagamentos com uma baseline Sawtooth de 30 dias e uma feature sob demanda que pontua cada pagamento em relação a essa baseline. Uma única chamada a materialize_features() configura pipelines de streaming gerenciados para o Online Feature Store no Lakebase, com atualização de features abaixo de 200 ms.
* O Feature Views permite definir as features de fraude uma única vez e reutilizá-las no treinamento point-in-time e no scoring online, reduzindo o data leakage e o training-serving skew. * Janelas móveis detectam picos de pagamentos, uma baseline Sawtooth de 30 dias captura o gasto normal e uma feature sob demanda pontua cada pagamento em relação a essa baseline. * Uma única chamada a materialize_features() cria pipelines de streaming gerenciados para o Online Feature Store no Lakebase, com atualização de features abaixo de 200 ms.