Études de cas : fraude temps réel & recherche sémantique

Cas A — Détection de fraude au paiement (50 ms, hard deadline)

Le paiement attend la réponse : chaque milliseconde compte, chaque faux positif est un client furieux, chaque faux négatif coûte le montant.

Les features gagnantes sont FRAÎCHES : « nombre de transactions des 10 dernières minutes », « écart au panier habituel », « nouveau device ? ». Le batch de la veille ne suffit pas →

transactions ──> stream (Kafka) ──> agrégats glissants ──> feature store online (Redis)
paiement ──> API : lookup features (~2 ms) + règles dures + modèle boosting (~3 ms) ──> score

Design à retenir :

• règles dures AVANT le modèle (pays bloqué, montant > plafond) : rapides, explicables, exigées par la conformité ;
• boosting, pas un réseau : tabulaire (module 5), inférence ~3 ms, et l'explicabilité (« pourquoi bloqué ? ») est une obligation réglementaire ;
• fallback dégradé : si le feature store timeout → règles seules. Le paiement ne peut pas attendre le ML (circuit breaker, tu connais) ;
• labels à J+30/90 (chargebacks) → le monitoring vit sur le drift et le taux d'alerte (module 8.3).

Cas B — Recherche sémantique d'entreprise (RAG à l'échelle)

« Les employés cherchent dans 2 M de documents internes. » C'est l'industrialisation de la leçon 7.3 :

INGESTION (pipeline, module 4)          REQUÊTE (~1-2 s acceptable)
docs → chunking → embeddings            question → embedding → recherche hybride
     → index vectoriel + index BM25            (vecteurs + mots-clés, fusion RRF)
       (pgvector / moteur dédié)         → re-ranking (cross-encoder) → top 5
                                         → LLM avec sources → réponse citée

Design à retenir :

• recherche hybride : le vectoriel rate les identifiants exacts (« ticket JIRA-1234 », noms propres) que BM25 attrape — fusionner les deux ;
• le re-ranker (cross-encoder qui lit question+passage ensemble) vaut souvent plus de qualité que changer de LLM ;
• les permissions : le retrieval doit filtrer par ACL utilisateur — le piège de sécurité n°1 du RAG d'entreprise (indexer les docs RH et les servir à tous…) ;
• éval continue : recall@k du retrieval + faithfulness des réponses (module 7.4).