GEAR: una piattaforma Big Data per l'elaborazione di stream di dati attraverso Machine Learning e Business Rules

Nel panorama digitale degli ultimi anni, l’utilizzo dei pagamenti elettronici è in continua crescita. La conseguente delibera di regolamentazioni per la tutela dei consumatori implica anche l’utilizzo di sistemi di Online Fraud Detection (OFD) in grado di gestire grandi quantità di dati. La tesi parte dai sistemi OFD (tipicamente proprietari) per creare una soluzione più generale rispetto al dominio specifico e con tecnologie open source. I sistemi di OFD presentano infatti caratteristiche generalizzabili e riutilizzabili in domini applicativi diversi dai pagamenti elettronici e queste sono state estratte per creare una soluzione più generale. Questo sistema è basato su alcuni passaggi astratti e concettuali, da eseguire in real-time su uno stream di dati. Si definisce quindi il modello GEAR (Gather, Enrich, Assess, React), l’architettura della pipeline di trasformazione dei dati e infine uno stack tecnologico di strumenti Big Data. Si illustra anche una possibile implementazione dei componenti della pipeline, disaccoppiati e riutilizzabili, con allegate valutazioni delle prestazioni su un caso d’uso. La piattaforma creata implementa il modello attraverso l’utilizzo trasparente, da parte dei componenti, di algoritmi di machine learning e regole di business (attraverso un Business Rules Management System distribuito), abilitando di fatto il loro utilizzo per l’elaborazione di stream di dati.