Radial, el mayor proveedor de servicios de cumplimiento 3PL, está revolucionando su enfoque en la detección de fraudes mediante la modernización de sus aplicaciones de aprendizaje automático (ML). Con más de 30 años de experiencia en la industria, Radial ofrece soluciones integradas de pago, detección de fraudes y omnicanalidad para marcas de medio y gran tamaño, ayudándolas a enfrentar desafíos comunes del comercio electrónico.
La efectividad de los modelos de ML en la detección de fraudes supera a los enfoques tradicionales. Estos modelos analizan grandes volúmenes de datos transaccionales, aprenden de patrones históricos de fraude y detectan anomalías en tiempo real. A medida que se adaptan a nuevas tendencias de fraude, mejoran la precisión de la detección y reducen los falsos positivos.
Sin embargo, los modelos de ML que funcionan en instalaciones físicas enfrentan serios desafíos de escalabilidad y mantenimiento. Las limitaciones del hardware físico impiden que la infraestructura responda a picos de volumen durante temporadas de compras, provocando retrasos en el procesamiento y una capacidad de respuesta reducida a amenazas emergentes.
La modernización de los flujos de trabajo de detección de fraudes de Radial, migrando sus sistemas a Amazon SageMaker, ha permitido a la empresa optimizar costos y rendimiento. A través del programa Experience-Based Acceleration (EBA) de AWS, han podido mejorar la eficiencia y la escalabilidad mediante una colaboración estrecha que les permite alinear la visión ejecutiva con los objetivos del negocio.
El proceso de modernización incluye un taller interactivo de tres días que guía a los participantes a través de un ciclo de vida de ML prescriptivo. Esto abarca desde la identificación de objetivos comerciales hasta el procesamiento de datos, desarrollo de modelos y despliegue en producción.
Una vez que Radial trasladó sus sistemas de detección de fraudes a la nube, trabajó en estrecha colaboración con expertos de AWS para rediseñar la gestión de su ciclo de vida de modelos ML. Este nuevo enfoque incluye una arquitectura MLOps escalable y segura, automatizando la provisión y despliegue de modelos, lo que les permite reaccionar más rápidamente a las tendencias de fraude.
Los nuevos flujos de trabajo en SageMaker han facilitado la integración y despliegue de modelos en tiempos mucho más cortos y con mayor coherencia, minimizando riesgos de despliegue y permitiendo la monitorización continua de su rendimiento.
Radial prioriza la seguridad y la privacidad de los datos, asegurándose de cumplir con estándares como CPPA y PCI. Utilizando AWS Direct Connect y Amazon VPC, la compañía garantiza que los datos sensibles estén protegidos en todo momento.
La nueva arquitectura no solo ha mejorado el rendimiento de su sistema de detección de fraudes, sino que también ha reducido el ciclo de implementación de modelos en más de un 75%, lo que refleja el éxito rotundo de su migración a la nube y su compromiso con la innovación.
vía: AWS machine learning blog
