O que acontece nos milissegundos após você tocar em pagar
Traduzido do original em inglês por IA. Ver em inglês
Este exemplo de Databricks App demonstra como obter pontuação de fraude em tempo real com baixa latência, combinando o Model Serving otimizado para rotas com o Lakebase Postgres para consultas de feature online. Sob um teste de carga de 5.000 requisições, esta arquitetura alcançou latências de ponta a ponta de 27 ms em p50 e 37 ms em p95, mantendo uma taxa de sucesso de 100%.
* Um exemplo de Databricks App (FastAPI + React) que avalia fraudes em transações de cartão de crédito em tempo real, utilizando Model Serving otimizado para rotas para inferência de baixa latência e Lakebase Postgres para consultas de feature e perfil online. * Inferência rápida por si só não é suficiente. O aplicativo combina o Model Serving otimizado para rotas com o Lakebase, além de padrões de pooling de conexões, rotação de tokens OAuth e autoscaling que mantêm a latência estável sob carga. * Em 5.000 requisições, o endpoint otimizado para rotas respondeu em 27 ms em p50 e 37 ms em p95 de ponta a ponta, com mediana de 8,9 ms nas consultas de feature no Lakebase e 100% de sucesso, bem dentro do limite de latência tolerável para finalização de compra.