Acabei de treinar a IA central de um sistema de detecção de anomalias em tempo real para transações de táxi em Nova York usando um PyTorch Autoencoder.
O objetivo não é classificar a fraude diretamente, mas aprender o comportamento normal da viagem e sinalizar desvios estatisticamente significativos quase em tempo real.
Sob o capô
Arquitetura
Treinei um Autoencoder compacto que compacta 5 recursos numéricos (distância, duração, tarifa, custo por minuto, etc.) em um espaço latente bidimensional.
Com apenas 1.751 parâmetros, o modelo é leve, rápido e pronto para inferência de baixa latência.
Hipóteses de dados e negócios
O modelo foi treinado apenas em viagens “saudáveis”, filtradas entre os percentis 5 e 95 de tarifa_por_minuto.
Isso garante que o Autoencoder aprenda o comportamento normal. Qualquer transação que não possa ser reconstruída com precisão é sinalizada como uma anomalia potencial.
Treinamento
O modelo foi treinado em uma GPU NVIDIA na Amazon Web Services (AWS) com um grande tamanho de lote e uma divisão de validação de trem 80/20.
A perda de validação caiu de aproximadamente 0,63 para 0,0049 ao longo de 30 épocas, mostrando convergência estável e forte generalização.
Por que isso é importante
Essa abordagem permite construir pipelines de detecção de fraude eficientes, interpretáveis e econômicos, sem depender de modelos massivos ou rótulos perfeitos.
É um exemplo prático de aprendizagem profunda aplicada sob restrições reais de produção.
Próximas etapas
Integração com FastAPI para inferência online e Kafka para ingestão de streaming.