Modèles de déguisement

Les modèles ont été peints par le maquilleur Carolyn Roper pour marquer la première au Royaume-Uni de nouvelles drame de la CIA affaires secrètes, qui diffuse le 19 septembre sur le canal de divertissement vraiment. Make-up artiste peint des modèles pour marquer la première au Royaume-Uni du nouveau drame de la CIA les constructeurs automobiles vont à de grandes longueurs pour garder leurs futurs modèles sous enveloppe-mais le camouflage automobile a évolué en une forme assez d`art au cours des dernières années. Pas tout à fait. Cette technique doit éviter les changements dans la distribution des scores de niveau supérieur. Cependant, il ne préserve pas la distribution des scores des sous-ensembles d`utilisateurs ou de commandes, et cette capacité de déplacement est nécessaire pour que nous améliorons réellement la précision. Par exemple, si notre nouveau modèle détecte que les utilisateurs avec des e-mails d`un domaine spécifique sont plus susceptibles d`être frauduleux, la distribution des scores pour ces utilisateurs doit changer. Une extension naturelle de cette observation est que les scores des individus peuvent changer de façon spectaculaire lorsque nous changeons de modèles. Un client qui suit les changements de score pour le même utilisateur au fil du temps, ou un client qui regarde la distribution des scores pour un sous-ensemble spécifique d`utilisateurs pourrait encore facilement remarquer un changement de modèle. S`il vous plaît noter: nous recommandons triangulation faces avant d`exporter des modèles pour une utilisation dans le logiciel de déguisement. Cependant, cette approche pourrait effectivement aggraver les choses.

Les clients ont encore finalement besoin de mettre à jour leurs seuils, ils ont juste à le faire à un moment différent. Si la période pendant laquelle nous faisons la transition des modèles est longue, elles devront peut-être mettre à jour ces seuils plus d`une fois, car aucun seuil ne fonctionnera bien pendant toute la période. Cette option est inamicale pour le client, donc nous ne l`avons pas considéré plus loin. Ce printemps, nous avons entrepris un projet de migration de certains clients vers des ensembles formés sur mesure de plusieurs types de modèles. Ces clients étaient à la fois stratégiquement importants pour nous, ainsi que en interne assez sophistiqué dans la façon dont ils ont utilisé nos scores en combinaison avec d`autres signaux. Il était essentiel que ces clients ne soient pas perturbés par la transition. Nous avons utilisé la technique ci-dessus, et vérifié les distributions de score pour les anciens modèles, pour les nouveaux modèles bruts, et pour les nouveaux modèles remappés, et a confirmé que les nouveaux modèles remappés très étroitement correspondent à la distribution des scores des modèles originaux. D`un certain point de vue de l`ingénierie logicielle, cela peut sembler être la «bonne» chose à faire, mais d`une vue de l`expérience de produit, c`est terrible. Il est essentiel pour notre produit de publier de nouveaux modèles fréquemment, et pour les clients d`utiliser des scores qui sont informés par des données récentes et des informations. Mais personne ne veut être obligé de faire constamment ces petites migrations. Les clients veulent un système qui fonctionne juste, pas une demande continue qu`ils dépensent des ressources et l`attention pour mettre à jour leur intégration à consommer du modèle le plus récent. Historiquement, les clients pourraient remarquer un changement rapide dans le volume du trafic circulant à travers une action automatisée.

Quand ils ont soulevé la question avec nous, ils soulignerait la soudaineté du changement comme une préoccupation.