PersonaAgent: Retrieval-Augmented Transaction Anomaly Scoring with Refreshable Multi-Entity Persona Memory
Pubblicata su AIChronos il · fonte del · Zhengyu Fang, Liang Wang, Yingtong Dou, Yuzhong Chen, Shubham Jain, Junpeng Wang
PersonaAgent è un framework agentic per il rilevamento di anomalie nelle transazioni che risolve i limiti dei modelli statici e delle tabelle di embedding sparse. Il sistema rappresenta i segnali comportamentali degli entità come 'personae' salvate in una memoria aggiornabile settimanmente tramite job batch offline. Durante l'inferenza, un adattatore leggero recupera queste informazioni per arricchire il punteggio del classificatore base senza ritardi significativi. I test su larga scala dimostrano miglioramenti sostanziali nelle metriche di business e nella PR-AUC.
- Utilizza una memoria refreshable che aggiorna i segnali comportamentali delle entità (card, merchant) settimanmente per adattarsi ai cambiamenti rapidi dei pattern transazionali.
- Implementa un meccanismo RAG leggero durante l'inferenza che recupera le 'personae' specifiche per ogni transazione in tempo reale.
- Riduce il ritardo di elaborazione a 1-2 ms per batch da 1.000 transazioni su CPU, garantendo efficienza operativa.
- Migliora la PR-AUC del classificatore base fino al 6.58% e incrementa le metriche business produttive dell'8.93%-14.24% in deployment reale a Visa.
- Mitiga il problema della cardinalità alta e sparsità nelle tabelle di embedding tradizionali nei grandi network di pagamento.
Perché conta. Questo approccio è rilevante per gli sviluppatori che lavorano con agenti AI perché dimostra come integrare memoria esterna aggiornabile (RAG) possa superare la rigidità dei modelli statici in scenari dinamici. Offre un modello pratico per implementare sistemi di inferenza efficienti su hardware locale o cloud standard, bilanciando l'aggiornamento periodico delle conoscenze con latenze minime.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.