Servicios financieros
Decisiones a la velocidad de la transacción, tomadas sobre el historial bruto de eventos de cada cuenta en lugar de agregados que ya estaban obsoletos al calcularse.
aquí la entidad esuna cuentaLo que el modelo realmente lee
Sin agregación, sin feature engineering — los eventos que tus sistemas ya escriben, en el orden en que ocurrieron.
- autorizaciones
- contracargos
- inicios de sesión y cambios de dispositivo
- cambios de límite
- llamadas de atención
- pagos y transferencias
Lo que se rompe con un modelo por problema
El fraude va más rápido que el feature store
Cuando un patrón se convierte en feature y se reprocesa, el patrón ya cambió. Leer la secuencia elimina ese retraso por completo.
Un modelo por pregunta, y un pipeline para cada uno
Fraude, crédito, churn y cobranza llevan cada uno su dataset, su drift y su guardia. Una sola base disuelve esa flota.
El regulador pregunta qué entró
Todo dataset se perfila, versiona y es rastreable hasta el modelo que entrenó, que es la respuesta que una auditoría realmente necesita.
Una base, una especialización por pregunta
Cada uno de estos es un head sobre el mismo modelo entrenado, no un proyecto aparte con su propio pipeline.
Detección de fraude
Evalúa el flujo de transacciones en vivo contra todo lo que la cuenta ha hecho, no contra una ventana de promedios.
Scoring de crédito
Comportamiento a lo largo del tiempo, incluidos los clientes sin historial sobre los que un score de buró no tiene nada que decir.
Churn y retención
La señal de que alguien se va está en la secuencia mucho antes de la llamada de cancelación.
Ofertas hiperpersonalizadas
Una próxima acción por cliente por interacción, calibrada en lugar de encajada en segmentos.
Lo que podemos demostrar
AUPRC en el benchmark de fraude con tarjeta IBM TabFormer
parámetros — frente a 29M y 100M de los modelos que supera
para entrenar, en 4× NVIDIA GB200