Highway to Prod: как мы запустили нефрод-ML в платежной системе

Data Engineering

Платёжные системы, обработка платежей

Python

Machine Learning

Программный комитет ещё не принял решения по этому докладу

Целевая аудитория

ML Engineers, MLOps Engineers и Data Engineers, внедряющие ML-сервисы в продакшн. А также Data Scientists, интересующиеся инженерной стороной разработки ML-систем.

Тезисы

3DS-аутентификация давно стала стандартом защиты онлайн-платежей. Но привычный сценарий — ввести данные карты и ждать SMS-подтверждение — не всегда обязателен, а иногда и мешает пользователю завершить платёж. Можно ли проходить этот шаг без SMS для большинства операций, не снижая уровень безопасности? Несколько лет назад на Highload наша коллега рассказывала об исследовании на эту тему — «антифрод наоборот» в рамках развития Сервиса Принятия Решений в платежной системе «Мир».

Теперь мы прошли путь от экспериментов до запуска промышленного ML-скоринга 3DS-аутентификаций, работающего под нагрузкой 100 RPS в контуре платёжной системы. В докладе поделимся опытом продуктивизации: как проектировали архитектуру с нуля (ML System Design) в условиях, когда система должна укладываться в жёсткие временные рамки и при этом не ломать логику действующего антифрода. Поделимся, какие ошибки допустили на ранних этапах, а какие инженерные решения, заложенные изначально, помогли довести сервис до стабильного продакшена. Это практический взгляд на то, что действительно важно при внедрении ML в высоконагруженные системы.

Павел Цветов

Мир Plat.Form

Старший аналитик данных в Мир Plat.Form.

В команде центра машинного обучения, департамента больших данных - занимается задачами прикладного анализа, обучением и продуктивизацией ML-моделей, разработкой сервисов и продуктов, на основе данных, а также R&D-исследованиями. Активно делится экспертизой по ML внутри компании через митапы и курсы по ИИ, а также выступления на конференциях.

Михаил Архипов

Мир Plat.Form

Руководитель центра машинного обучения и анализа данных в Мир Plat.Form.

В команде центра машинного обучения, департамента больших данных - занимается задачами прикладного анализа, обучением и продуктивизацией ML-моделей, разработкой сервисов и продуктов, на основе данных, а также R&D-исследованиями. Активно делится экспертизой по ML внутри компании через митапы и курсы по ИИ, а также выступления на конференциях.