Stripe Radar: la red neuronal anti-fraude decide en menos de 100 ms y bloquea erróneamente solo el 0.1% de los pagos legítimos

• How we built it: Stripe Radar — Stripe Engineering Blog (Ryan Drapeau), 2023-03-29
• A primer on machine learning for fraud detection (стоимость фрода >$20 млрд, precision/recall, +20% YoY, retrain +0,5 п.п./мес) — Stripe (официальный гайд)
• Stripe Radar — Payment and Credit Card Fraud Detection ($1,9 трлн/год, 197 стран, 92% карт знакомы сети, −32% фрода) — Stripe (страница продукта)

Contexto

Stripe es infraestructura de pagos para millones de negocios: según la página de producto, la red Stripe procesa más de $1.9 billones en pagos al año en 197 países. Radar es su sistema de protección contra fraudes basado en ML integrado directamente en el flujo de pagos: califica el riesgo de cada transacción antes de que se confirme y no requiere ni una integración separada ni un equipo anti-fraude interno del comerciante.

La ventaja estructural clave de Radar es el efecto de red de datos. El fraude con tarjetas es un juego de información incompleta: una tienda en línea individual solo ve sus propias transacciones y sabe casi nada sobre una tarjeta que aparece por primera vez. La red Stripe ve cientos de miles de millones de dólares en pagos anuales, así que una tarjeta 'desconocida' generalmente resulta ser familiar: la guía anti-fraude de ML de Stripe citó una estimación del 90% de tarjetas que han sido vistas por la red antes, mientras que la página de producto actual dice 92%. Para el modelo esto significa un historial de señales rico donde un comerciante independiente enfrenta un arranque en frío.

En marzo de 2023, el ingeniero de Radar Ryan Drapeau publicó 'How we built it: Stripe Radar' en el blog de ingeniería de Stripe — un relato inusualmente sincero de la evolución de un sistema ML en producción durante casi siete años: de la regresión logística a una red neuronal profunda pura, con números específicos sobre precisión, latencia, el costo de los errores y el tiempo de entrenamiento. Ese artículo es la fuente primaria del caso; lo complementamos con la guía oficial de machine-learning-for-fraud de Stripe y la página de producto de Radar.

Problema

Aproximadamente 1 de cada 1,000 intentos de pago es fraudulento. Eso suena pequeño, pero la economía de los errores aquí es asimétrica y dolorosa en ambas direcciones. El fraude no detectado se convierte en una contracarga: el comerciante pierde el monto de la transacción, paga una tarifa de disputa, y con una tasa de disputa creciente enfrenta honorarios de red más altos y costos operacionales; según la estimación en la guía de Stripe, el fraude cuesta a las empresas más de $20 mil millones anuales.

El error opuesto — bloquear falsamente a un comprador honesto — afecta no la línea de 'pérdidas por fraude' sino los ingresos y la lealtad: en una encuesta que cita Stripe, el 33% de los consumidores dijeron que no volverían a comprar en un negocio después de un rechazo de pago falso. Un sistema anti-fraude que bloquea 'por si acaso' estrangula silenciosamente las ventas de sus clientes — razón por la cual la precisión (qué proporción de lo que bloqueas es realmente fraude) importa tanto como el recall (qué proporción del fraude atrapas).

El contexto de ejecución agrega restricciones duras. La decisión debe tomarse en el pago, dentro del flujo de pagos, en una fracción de segundo — sin añadir fricción para el comprador. Y el adversario se adapta: los patrones de fraude cambian constantemente, con atacantes deliberadamente sondeando las debilidades del modelo. Un modelo reentrenado una vez al día por un trabajo nocturno se atrasa crónicamente de los atacantes por un día — y en anti-fraude un día puede ser caro. De ahí la segunda métrica de calidad menos obvia del sistema: velocidad de iteración — qué tan rápido el equipo puede entrenar, validar y desplegar una nueva versión del modelo.

Solución

Radar evalúa más de 1,000 características de cada transacción — desde el país de la tarjeta y el número de países en los que se usó en el último día hasta la dirección IP e embeddings de comerciante — extrayendo señales de toda la red Stripe. La arquitectura evolucionó en pasos, cada uno respondiendo a una limitación específica del anterior.

Comenzó con regresión logística — simple, rápida, interpretable. Luego vinieron árboles de decisión y gradient boosting: XGBoost es bueno en 'memorizar' patrones específicos de fraude. El siguiente paso fue un ensemble Wide & Deep — XGBoost (responsable de la memorización) combinado con una red neuronal profunda (para generalización). Este híbrido funcionó en producción durante varios años, pero tenía un techo: XGBoost escala y paraleliza mal, ralentizando tanto el entrenamiento como la experimentación.

Desde mediados de 2022, Radar funciona con una red neuronal profunda pura sin XGBoost — una estructura de múltiples ramas inspirada en la arquitectura ResNeXt de visión por computadora. Un detalle honesto del artículo: XGBoost no podría simplemente dejarse — eso habría costado el 1.5% del recall de fraude. El equipo compensó la caída mediante escalado: un experimento con un aumento de 10x en los datos de transacción de entrenamiento entregó una ganancia de calidad significativa, y en el momento de la publicación una versión de 100x estaba en proceso. Direcciones adicionales incluyen transfer learning, embeddings, y multi-task learning.

La principal victoria operacional de la nueva arquitectura es la velocidad de iteración: el tiempo de entrenamiento del modelo se redujo en más del 85%, a menos de dos horas. En lugar de un trabajo nocturno, el equipo puede reentrenar e implementar el modelo varias veces al día, respondiendo a nuevos patrones de ataque el mismo día. Según la guía de Stripe, incluso el reentrenamiento regular simple en datos frescos suma hasta medio punto porcentual de recall por mes — con el tiempo una de las fuentes más baratas de calidad.

Una pista separada es la interpretabilidad. Las redes neuronales profundas son 'cajas negras' en mayor grado que los árboles, y para un sistema de pagos eso es un problema de confianza: los comerciantes necesitan entender por qué se bloqueó un pago. De vuelta en 2020, Stripe lanzó risk insights — una característica que muestra qué factores de transacción impulsaron la puntuación de riesgo. Una capa de reglas se ejecuta encima de la puntuación: los comerciantes pueden establecer sus propios umbrales y lógica (por ejemplo, bloquear cuando P(fraude) excede un umbral), combinando la puntuación de ML con políticas comerciales.

Resultado

Radar toma una decisión sobre cada pago en menos de 100 milisegundos — dentro del flujo de pagos, antes de que se confirme la transacción. De miles de millones de pagos legítimos en Stripe, el sistema bloquea incorrectamente solo el 0.1% — la garantía clave del producto: anti-fraude que no estrangula los ingresos de clientes honestos. Cada salto arquitectónico (regresión → árboles → el ensemble Wide & Deep → un DNN puro) trajo una mejora significativa en la calidad de detección, y la migración de DNN redujo el tiempo de entrenamiento en más del 85%, a menos de dos horas, convirtiendo el reentrenamiento de un trabajo nocturno en una operación varias-veces-al-día.

El efecto sigue componiéndose: según la guía de Stripe, los nuevos modelos mejoran el desempeño de ML de Radar en más del 20% año tras año, y la página de producto actual afirma una reducción promedio del 32% de fraude para clientes y entrenamiento en más de un billón de dólares de volumen de pagos anuales. Nota los límites: el 0.1% de bloqueos falsos y <100 ms son cifras del artículo de ingeniería de marzo de 2023; el 92% de tarjetas 'familiares' y −32% de fraude son datos de marketing de la página de producto de 2026; ninguno de estos valores está auditado de forma independiente, y la metodología detrás de la 'reducción promedio de fraude' no se divulga.

En nuestra opinión, el principal valor del caso es su economía de ingeniería de compensaciones honestamente mostrada. Decidir eliminar el ensemble por velocidad de iteración, sabiendo que cuesta el 1.5% de recall, y compensar la pérdida con escala de datos es ingeniería de ML madura: el equipo evidentemente juzgó que la capacidad de responder a atacantes el mismo día vale más con el tiempo que un porcentaje fijo de recall. En anti-fraude, donde el adversario se adapta, la velocidad de aprendizaje del sistema no es una métrica operacional sino una característica de combate.

Nuestra segunda observación: el caso demuestra el poder de una posición de infraestructura. El efecto de red de datos (el 92% de tarjetas ya conocidas por la red) es una ventaja que un comerciante individual o un proveedor de anti-fraude de nicho no pueden replicar en principio. El mismo hecho sugiere cautela al leer los números: un agregador de pagos tiene tanto la motivación como los medios para presentar estadísticas bajo la luz más favorable, así que los porcentajes de producto deben leerse como órdenes de magnitud, no reportes auditados.

Lecciones aprendidas

1. La métrica clave anti-fraude no es solo fraude detectado sino bloqueos falsos: una tasa del 0.1% de falsos positivos protege los ingresos de los clientes; el 33% de compradores nunca regresan después de un rechazo falso.
2. La velocidad de iteración es calidad en sí misma: reducir el entrenamiento de un trabajo nocturno a menos de 2 horas te permite responder a nuevos ataques el mismo día.
3. Simplificar la arquitectura (eliminar el ensemble para un DNN puro) es aceptable solo si la caída de calidad (−1.5% recall) se compensa escalando datos y el modelo.
4. El reentrenamiento regular es la fuente más barata de calidad: según Stripe, datos frescos suman hasta 0.5 pp de recall por mes sin cambio de arquitectura.
5. El efecto de red de datos es la ventaja competitiva del anti-fraude de ML: el 92% de tarjetas ya son conocidas por la red Stripe — un comerciante independiente nunca puede ensamblar ese historial.
6. La explicabilidad es un requisito del producto, no un lujo: risk insights existen precisamente porque los comerciantes deben entender por qué se bloqueó un pago.
7. Un blog de ingeniería con especificidades (latencia, recall, tiempo de entrenamiento) es el estándar de oro de evidencia para un sistema de ML — pero lee porcentajes de marketing de páginas de producto como órdenes de magnitud.

Preguntas frecuentes