Questão FC890573
Uma fintech desenvolveu um pipeline ponta a ponta (end-to-end) de machine learning para detecção de fraudes em transações financeiras. O pipeline inclui as seguintes etapas: (1) in
Inteligência Artificial (IA)
FGV · 2026
Uma fintech desenvolveu um pipeline ponta a ponta (end-to-end) de machine learning para detecção de fraudes em transações financeiras.
O pipeline inclui as seguintes etapas:
(1) ingestão de dados em tempo real via streaming;
(2) feature engineering com agregações temporais (médias móveis de 7 e 30 dias);
(3) predição usando um modelo de gradient boosting;
(4) deployment em arquitetura de microsserviços.
Após três meses em produção, o time de MLOps observou degradação gradual no F1-score de 0.89 para 0.72, enquanto o monitoramento revelou que as distribuições das features agregadas apresentavam mudanças estatisticamente significativas (p < 0.01 no teste de Kolmogorov-Smirnov), embora as features brutas individuais permanecessem estáveis.
Considerando as melhores práticas de pipelines de ML em produção e estratégias de deployment, a equipe deve:
- descartar as features agregadas temporais do pipeline, pois são a causa do data drift observado, e retreinar o modelo usando apenas as features brutas individuais que permaneceram estáveis;
- implementar apenas alertas de monitoramento mais sensíveis para detectar drift precocemente, mantendo o pipeline atual inalterado, pois o F1-score de 0.72 ainda é considerado aceitável para aplicações de detecção de fraudes em produção;
- adotar estratégia de deployment blue-green para testar um novo modelo treinado com dados recentes em paralelo com o modelo atual, direcionando gradualmente o tráfego para o novo modelo enquanto monitora métricas de desempenho e features drift;
- implementar um sistema de retreinamento automático com janela deslizante que periodicamente atualiza o modelo com dados recentes, mantendo as features agregadas mas recalculando-as sobre períodos mais curtos para reduzir latência conceitual;
- aumentar a complexidade do modelo substituindo gradient boosting por deep learning com redes neurais recorrentes, pois modelos mais complexos são mais robustos a drift e podem capturar padrões temporais automaticamente sem feature engineering.
Mostrar resposta e comentário
Gabarito
Certo
Comentário do professor
Adotar blue-green significa ter dois ambientes idênticos: o modelo em produção (blue) e uma nova versão treinada com dados recentes (green). Coloca-se o novo modelo em paralelo e direciona-se tráfego gradualmente, permitindo avaliar impacto real sem interromper o serviço.
Isso é essencial quando há data drift nas features agregadas: o retraining captura o novo padrão e o teste paralelo mostra se o ganho se mantém em tráfego vivo. Durante a migração monitora-se métricas como \(F1\), precision, recall e testes de drift (ex.: KS) para detectar regressões.
Se o desempenho cair, é possível fazer rollback imediato para o ambiente antigo, minimizando risco a clientes. Essa estratégia combina segurança operacional e validação em produção antes de promover a nova versão.
Conteúdo do catálogo FC Concursos · Atualizado em