The Hot Path Belongs to GBDTs, Agents Own the Cold Path: A Payment-Fraud Benchmark

A reproducible benchmark comparing gradient-boosted decision trees (GBDTs) vs. LLM-based scoring for payment fraud detection across three dimensions: latency, cost, and determinism. On a single CPU core, GBDTs hit p99 latency of 0.15ms vs. ~1,200ms for LLMs — well outside the 100ms ISO 8583 authorization budget. Cost-wise, GBDTs run ~$54/hour at 50K TPS vs. $16,200–$351,000 for LLM tiers. Determinism is the most critical issue for regulated environments: GBDTs return identical scores on identical inputs while LLMs produce hundreds of distinct outputs even at temperature=0. The recommended architecture keeps deterministic tree ensembles on the synchronous hot path and deploys LLM agents on the asynchronous cold path for SAR drafting, evidence gathering, and agent-as-a-judge validation before human review. All benchmark code is open-source and reproducible on a laptop.

Nguồn: https://towardsdatascience.com/the-hot-path-belongs-to-gbdts-agents-own-the-cold-path-a-payment-fraud-benchmark. 8sync News chỉ tóm tắt và dẫn link; bản quyền nội dung thuộc tác giả và nguồn gốc.

Đề xuất cho bạn

JetBrains111 phút7 giờ trướcAI

Your AI Agent Keeps Missing The Real Bottleneck. JetBrains Rider Can Fix It Now.

JetBrains vừa bổ sung kỹ năng dottrace-analyze cho AI Assistant trong Rider 2026.2 EAP 8, giúp AI agent phân tích trực tiếp các snapshot .dtp từ dotTrace thay vì đoán mò bottleneck dựa trên source code. Kết quả benchmark trên 80 lượt chạy và 8 kịch bản .NET cho thấy độ chính xác tăng vọt từ 4.71 lên 8.15/10, đặc biệt cải thiện mạnh mẽ trong trường hợp UI freeze của Avalonia (từ 1.6/10 lên 10/10). Tính năng này yêu cầu subscription dotUltimate hoặc All Products Pack.

Lập trình viên nên đọc bài này vì JetBrains Rider 2026.2 EAP mới giới thiệu công cụ phân tích hiệu suất chính xác hơn bằng cách kết hợp dữ liệu thực tế từ thay vì chỉ dựa vào các dấu hiệu giả định từ mã nguồn, giúp tiết kiệm thời gian và cải thiện hiệu suất ứng dụng một cách đáng kể.