Financeiro
Compass
Impossibilidade de treinar modelos de ML em volumes necessários e colocar predições em produção com baixa latência.
Redução de 85% no tempo de deploy de modelos (meses → dias)
Resultado 1
Real-time credit scoring com latência <50ms
Resultado 2
20% melhoria em accuracy de modelos de risco
Resultado 3
O Desafio
Impossibilidade de treinar modelos de ML em volumes necessários e colocar predições em produção com baixa latência.
A Solução
Resumo Executivo
Compass, fintech de crédito consignado, tinha cientistas de dados mas modelos nunca chegavam a produção. Techrom implementou plataforma ML end-to-end que habilitou credit scoring real-time e transformou capacidades analíticas.
Desafios
- Cientistas gastavam 80% do tempo com data engineering
- Modelos desenvolvidos em notebooks nunca produtizados
- Impossibilidade de scoring real-time (necessário para UX)
- Training-serving skew gerava predições incorretas
Solução
Plataforma ML completa:
- Feature Store: Features consistentes em training e serving
- MLflow: Experiment tracking e model registry
- Real-time serving: APIs de baixa latência (<50ms)
- MLOps: CI/CD automatizado para modelos
Resultados
- Deploy de modelos: Meses → 3 dias
- Latência de credit scoring: Batch overnight → <50ms real-time
- Model accuracy: +20% (mais dados + mais experimentos)
- Produtividade: 10x mais experimentos por cientista
Resultados
Redução de 85% no tempo de deploy de modelos (meses → dias)
Resultado 1
Real-time credit scoring com latência <50ms
Resultado 2
20% melhoria em accuracy de modelos de risco
Resultado 3
10x aumento em experimentos por cientista de dados
Resultado 4
Tecnologias Utilizadas
MLflow
Feature Store (Tecton)
Databricks ML
Apache Spark
Kubernetes
FastAPI