ML system design: антифрод платежей

Начинаю с требований: решение синхронно за 100 мс, действия градуированы: пропустить, запросить дополнительную проверку, заблокировать и отправить аналитику. Цена пропуска это сумма платежа, цена ложной блокировки это недовольство клиента и нагрузка на поддержку. Метки приходят с задержкой (чарджбэки через недели), мошенничества доли процента, а заблокированные платежи не получают метку, поэтому держу маленький случайный holdout без блокировок. Признаки: профиль клиента, посчитанный батчем (средний чек, типичные мерчанты, география), скоростные признаки в реальном времени из стрима (число платежей за 10 минут, новые устройства, смена IP), признаки устройства, граф связей между картами и устройствами. Первая линия это правила на явные паттерны, затем градиентный бустинг, он быстрый на инференсе. Валидирую по времени, смотрю recall при фиксированной доле блокировок и PR-AUC, порог выбираю по ожидаемым потерям. В проде онлайн-сервис с feature store, фолбэк на правила при таймауте, мониторинг дрейфа признаков и доли блокировок, частое переобучение, потому что мошенники адаптируются.