1. 课程导论：异常交易检测的业务价值、模型部署的挑战与全生命周期概览
1.1 为什么异常交易检测如此重要？
在金融、电商、支付等数字化交易场景中，异常交易（欺诈、盗刷、洗钱、虚假交易）每年造成数千亿美元的损失。一个高效、实时的异常交易检测系统，不仅是合规要求，更是企业核心竞争力的体现。
| 业务场景 | 典型异常类型 | 单笔平均损失（参考） | 检测时效要求 |
|---|---|---|---|
| 信用卡支付 | 盗刷、未授权交易 | $150 - $500 | < 200ms |
| 电商平台 | 虚假订单、薅羊毛 | $20 - $200 | < 500ms |
| 银行转账 | 洗钱、账户接管 | $1,000 - $50,000+ | < 1s（实时风控） |
| 加密货币交易 | 钓鱼、闪电贷攻击 | $500 - $10,000+ | < 100ms |
业务价值核心公式： 部署一个有效的异常检测模型，可以将欺诈损失降低 60%-85%，同时减少 90% 以上的误报人工审核成本。每 1% 的检测率提升，可能对应数百万美元的止损。
1.2 模型部署面临的真实挑战
很多数据科学团队在 Jupyter Notebook 中训练出高 AUC 的模型，却在生产部署时遭遇“最后一公里”困境。以下是部署环节最棘手的 5 个挑战：
- 实时性与延迟矛盾： 交易系统要求毫秒级响应，而复杂模型（如 GBDT、深度网络）推理耗时可能超标。
- 数据漂移与概念漂移： 欺诈模式不断演变，今天有效的特征明天可能失效，模型需要持续监控与更新。
- 特征工程生产化： 离线特征（如历史统计量、聚合特征）在生产环境中需要实时计算，且必须与训练时完全一致。
- 可解释性要求： 监管机构（如央行、PCI DSS）要求对拒绝交易给出明确理由，黑盒模型难以合规。
- 版本管理与回滚： 模型 A/B 测试、灰度发布、紧急回滚机制缺失，可能导致全量故障。
常见误区： 很多团队将“模型部署”等同于“写一个 API 接口”。实际上，部署是一个包含监控、告警、数据管道、特征存储、模型版本管理的系统工程。
1.3 异常交易检测模型全生命周期概览
一个成熟的异常交易检测系统，遵循 MLOps 全生命周期管理。下图展示了从业务理解到持续监控的完整闭环：
1.4 本课程的核心交付
本课程不讲授基础算法原理，而是聚焦于生产级部署工程。你将掌握以下关键能力：
- 实时特征管道构建： 使用 Flink / Kafka Streams 实现毫秒级特征计算。
- 模型服务化： 基于 TensorFlow Serving / Triton / BentoML 部署高性能推理端点。
- 监控与告警体系： 集成 Prometheus + Grafana，监控模型延迟、吞吐、PSI（群体稳定性指标）。
- CI/CD for ML： 使用 MLflow + GitHub Actions 实现模型训练、打包、部署的全自动化流水线。
- 可解释性工程： 在生产环境中输出 SHAP / LIME 解释结果，满足合规审计。
学习建议： 本课程每章都包含可运行的代码示例和配置文件。建议你准备一个 Linux 服务器（或 Docker 环境），边学边练，效果最佳。