Разработка антифрод-системы для ставок оказалась нетривиальной задачей из-за масштабов данных и высокой цены ошибок. Проект для sidestake net был построен на микросервисной архитектуре с использованием Apache Kafka (сбор данных), Apache Flink (потоковая обработка), MongoDB (история) и Elasticsearch (поиск). Система обрабатывала миллионы событий ставок в реальном времени, требуя минимизации ложных срабатываний.

Основные вызовы были связаны с неструктурированными и шумовыми данными, что потребовало предобработки с помощью Pandas и PySpark. Для классификации использовались Random Forest и XGBoost, но из-за высокого числа false positives внедрили гибридный подход: дообучение моделей в реальном времени, правила на основе сумм и времени, а также методы Isolation Forest и autoencoders для выявления аномалий. TensorFlow и Keras повысили точность ML-моделей.

Производительность поддерживалась через Redis (кэширование), Dask (параллельные вычисления) и оптимизированные индексы PostgreSQL. В результате количество ложных срабатываний удалось снизить на 85%, а система вышла на скорость до 20 000 ставок в секунду. Опыт показал: для эффективной защиты от мошенничества в беттинге необходима постоянная адаптация правил и моделей под новые паттерны.