Nieuws

GBDT's zijn sneller voor fraudedetectie op warme pad, AI-agenten geschikt voor koude pad

Een benchmark op Towards Data Science vergelijkt gradient-boosted decision trees (GBDT's) met LLM-agenten voor betalingsfraudedetectie. Op het synchrone 'hot path' zijn GBDT's 8000 keer sneller (p99 0,15 ms vs 1200 ms) en 200 tot 6500 keer goedkoper dan LLM's. LLM's zijn niet-deterministisch en voldoen niet aan regelgeving voor reproduceerbaarheid. Agenten presteren wel goed op het asynchrone 'cold path' voor taken zoals SAR-drafting en bewijsvergaring. De aanbevolen architectuur scheidt een deterministische GBDT-scorer op het warme pad van een agent-gebaseerd systeem op het koude pad.