В выпускном проекте я обучил шесть моделей для обнаружения мошенничества, используя два публичных набора данных: PaySim (мобильные деньги) и IEEE-CIS (транзакции по картам). Несмотря на достижение высокой точности, лучшая модель не была развернута из-за производственных ограничений. Развернутая модель использует только три признака: сумму транзакции, канал с one-hot кодированием и исходный набор данных, поскольку в наборах данных не было общих полей. Обработка дисбаланса классов требовала SMOTE, но для развертывания использовался резервный метод интерполяции. Проект подчеркнул разрыв между офлайн-метриками и реальными производственными решениями. Лучшая модель, вероятно XGBoost, на практике была превзойдена более простой моделью, которая лучше обобщалась. Этот опыт научил меня, что выбор модели должен учитывать возможность развертывания, а не только метрики производительности.