Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
Платёжный детектор можно снабжать свежими данными о поведении, не переобучая саму модель. В работе Visa Research PersonaAgent поднял закрытую производственную метрику BM1 на 8,93–14,24% относительно базовых моделей, хотя препринт не рецензирован и числа получили сами авторы. Для систем с долгим выпуском моделей это переносит регулярные обновления из весов детектора во внешнюю версионируемую память.
Как память отделили от основной модели
Проблема возникает из-за разных темпов изменений. Поведение карт, продавцов и их сочетаний можно пересчитывать каждую неделю, тогда как выпуск крупного производственного детектора занимает несколько месяцев из-за интеграции и проверки. В результате модель продолжает работать, но её представление о сущностях постепенно устаревает.
PersonaAgent хранит свежие признаки в Semantic Persona Memory. Персона здесь — числовая запись о поведении карты, продавца, категории продавца, местоположения или поддерживаемого сочетания категорий. Для каждой записи сохраняются период действия, объём исходной истории, возраст, источник и признак того, пришлось ли использовать запасной вариант.
LLM участвует только при проектировании этой памяти. Несколько ролей предлагают признаки, правила описания поведения, способы объединять похожие сущности и порядок поиска записей. Отдельная роль разбирает ошибки вариантов, а заранее заданное правило принимает только изменения, которые улучшают результат на отложенных данных.
После этого протокол замораживают. Плановая пакетная задача пересчитывает числовые записи без LLM, а рабочий контур ищет их по точному ключу. Для редкого или ранее не встречавшегося продавца система берёт запись более широкой поведенческой группы; если поиск не сработал, транзакцию оценивает исходный детектор.
Небольшой адаптер объединяет записи из пяти представлений с базовой оценкой детектора и заранее выбранными метаданными транзакции. У каждого детектора свой адаптер, но память общая. Веса исходных моделей при этом не меняются, а генерация текста не попадает в путь обработки платежа.
Что дали свежие записи в рабочем контуре
Проверка охватила четыре закрытых детектора Visa. Их сравнили с исходными версиями на отложенном периоде и после запуска, причём в обоих случаях использовали один и тот же пакет памяти и адаптеров. Дополнительные сравнения отделяли пользу самих персон от выигрыша, который мог дать просто более ёмкий адаптер.
Площадь под кривой точность—полнота (PR-AUC), которая лучше обычной точности отражает качество на редких аномалиях, выросла на 0,65–6,58% относительно базовых детекторов. Улучшения сохранились и для транзакций, где прямой истории продавца не хватало и система переходила к записи его группы.
В статье не раскрыты определение BM1 и абсолютные значения метрик, поэтому результат нельзя перевести в число предотвращённых потерь или ложных блокировок. При этом работа показывает не только лабораторное сравнение: пакет применяли к потоку транзакций до того, как становился известен их исход.
Рабочий путь на CPU обрабатывал пакет из 1 000 транзакций за 1–2 мс. В этот замер вошли поиск записей, сбор признаков, отдельные оценки представлений и их объединение. Такой результат важен для архитектуры: LLM помогает спроектировать признаки, но не определяет задержку каждого платежа.
Когда схема меняет план разработки
Подход меняет план, если команда уже имеет дорогой в выпуске детектор, а поведение сущностей устаревает быстрее его весов. В таком случае единицей обновления становится не новая версия всей модели, а совместимый пакет из снимка памяти, адаптеров и метаданных выпуска. Один снимок может обслуживать несколько детекторов.
Это требует отдельного контура данных, а не только новой модели. Историю нужно обрезать по времени так, чтобы запись не использовала исходы, которые ещё не были известны на момент оценки. Иначе офлайн-проверка получит утечку из будущего и завысит качество.
Схема памяти также становится контрактом. Нельзя сохранить прежний идентификатор поведенческой группы, но незаметно поменять её смысл: адаптер примет данные правильной формы и истолкует их неверно. Поэтому снимок памяти и совместимые адаптеры проверяют и включают как единое целое, а предыдущий полный пакет сохраняют для отката.
Отказ внешней памяти не должен останавливать основной скоринг. В PersonaAgent ошибка поиска возвращает базовую оценку детектора, а неудачная проверка нового снимка оставляет активной прежнюю версию. Это превращает память в улучшающий слой, а не в обязательную зависимость для авторизации.
Границы результата задаёт сама проверка: платёжная сеть Visa, собственные детекторы и доступная ей история карт, продавцов, категорий и местоположений. Для переноса схемы в другой домен сначала потребуется доказать, что сущности образуют устойчивые поведенческие группы, а свежие агрегаты действительно меняются быстрее основной модели. Для признаков, связанных с местоположением, работа отдельно рекомендует проверять влияние на разные группы до применения в правилах принятия решений.
Источники
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
