Nguồn: Bytebytego
Tóm tắt
Stripe Radar đánh giá hơn 1.000 tín hiệu về mỗi giao dịch trong vòng dưới 100 mili-giây, đạt độ chính xác 99,9% trên hàng tỷ giao dịch hợp lệ. Hệ thống đã trải qua nhiều lần cải tổ kiến trúc, trong đó quyết định đáng chú ý nhất là loại bỏ XGBoost dù biết rõ nó đang cải thiện độ chính xác — vì giữ lại nó cản trở mọi cải tiến khác.
Kiến trúc trước đó là Wide & Deep: XGBoost (gradient-boosted decision tree) cho khả năng ghi nhớ pattern cụ thể, kết hợp deep neural network (DNN) cho khả năng tổng quát hóa. Tuy nhiên XGBoost khó song song hóa, training chậm và không tương thích với transfer learning hay embeddings. Việc bỏ nó trực tiếp sẽ làm giảm 1,5% recall (1,5% fraud hơn thoát lưới). Stripe giải quyết bằng kiến trúc mới lấy cảm hứng từ ResNeXt — “Shield NeXt” — chia tính toán thành nhiều nhánh song song, mỗi nhánh là một neural network nhỏ độc lập. Kết quả: thời gian training giảm hơn 85%, xuống dưới 2 giờ.
Lợi thế cạnh tranh lớn nhất của Stripe đến từ dữ liệu mạng lưới: 90% thẻ trên Stripe đã được thấy nhiều lần ở nhiều merchant khác nhau, cho phép phát hiện pattern gian lận toàn mạng. Embeddings được huấn luyện cho merchant, ngân hàng phát hành, quốc gia giúp chuyển giao kiến thức fraud địa lý — nếu phát hiện pattern mới ở Brazil, hệ thống tự động nhận diện pattern đó ở Mỹ mà không cần retraining. Tăng 10x dữ liệu training vẫn tạo ra cải tiến đáng kể; đội đang thử nghiệm phiên bản 100x.
Về mặt vận hành, Stripe xử lý bài toán kinh doanh tách biệt với bài toán data science: dữ liệu khoa học tối ưu hóa model, còn quyết định ngưỡng chặn phụ thuộc hoàn toàn vào kinh tế của từng merchant. Merchant có thể tùy chỉnh risk threshold, tạo custom rules, và dùng manual review queue để điều chỉnh precision-recall curve theo đặc thù kinh doanh. Trước khi release model mới, Stripe đo lường tác động đến false positive rate và authorization rate ở cả mức tổng hợp lẫn từng merchant riêng lẻ để tránh gây gián đoạn cục bộ.