En el Engineering Meetup #13, una audiencia llena se reuni\u00f3 para conocer uno de los sistemas m\u00e1s cr\u00edticos en la protecci\u00f3n de Nubank y sus clientes: la Defense Platform.<\/p>\n\n\n\n
La sesi\u00f3n fue liderada por tres expertos profundamente involucrados en el desarrollo y mantenimiento de esta tecnolog\u00eda: Alessandro Bottmann, Staff Software Engineer con m\u00e1s de 30 a\u00f1os de experiencia en tecnolog\u00eda, reconocido por liderar equipos de ingenier\u00eda y entregar soluciones de alto impacto; Jairo J\u00fanior, Senior Software Engineer apasionado por la arquitectura y los sistemas escalables; y Rafael Rodrigues, Solutions Architect en AWS con m\u00e1s de 15 a\u00f1os de experiencia en computaci\u00f3n en la nube.<\/p>\n\n\n\n
Juntos, presentaron la arquitectura, evoluci\u00f3n y futuro del sistema que impulsa la prevenci\u00f3n de fraudes en todos los productos y regiones de Nubank.<\/p>\n\n\n\n
En los primeros a\u00f1os, la detecci\u00f3n de fraudes en Nubank estaba descentralizada. Cada equipo de producto deb\u00eda integrarse con sistemas y servicios distintos para identificar y responder ante actividades sospechosas. Funcionaba, pero no escalaba. Hab\u00eda ineficiencias, inconsistencias y demoras considerables para poner una nueva defensa en producci\u00f3n.<\/p>\n\n\n\n
Fue entonces cuando surgi\u00f3 la idea de la Defense Platform. En lugar de seguir uniendo soluciones fragmentadas, el equipo imagin\u00f3 un sistema unificado, capaz de manejar millones de eventos por d\u00eda, f\u00e1cil de integrar con nuevos productos y que funcionara de manera confiable en m\u00faltiples regiones. Durante los \u00faltimos cinco a\u00f1os, esa visi\u00f3n se convirti\u00f3 en realidad.<\/p>\n\n\n\n
Hoy, la plataforma procesa cientos de millones de eventos cada d\u00eda con m\u00e1s del 99.98% de disponibilidad. Ya opera en Brasil, M\u00e9xico y Colombia, y est\u00e1 lista para expandirse a\u00fan m\u00e1s. Todo esto es posible gracias a un dise\u00f1o enfocado en confiabilidad, escalabilidad, ejecuci\u00f3n de baja latencia y eficiencia de costos: un sistema construido para evolucionar a largo plazo.<\/p>\n\n\n\n
Imaginemos que se realiza una transacci\u00f3n por PIX. La Defense Platform recibe el evento con todo su contexto: origen, destino, monto y m\u00e1s. A partir de ah\u00ed, entra en acci\u00f3n un componente llamado Flow Orchestrator. Este sabe exactamente qu\u00e9 procesos deben aplicarse a ese tipo de evento: en el caso de PIX, m\u00e1s de 40 procesos distintos pueden ejecutarse en paralelo, incluyendo reglas de negocio y modelos de machine learning.<\/p>\n\n\n\n
Estos componentes consultan datos a trav\u00e9s de lo que Nubank llama features, un sistema flexible que accede a bases de datos internas, proveedores externos y otros servicios. Una vez que las reglas y modelos eval\u00faan el riesgo, el orquestador toma una decisi\u00f3n: \u00bfla transacci\u00f3n es segura o debe activarse una acci\u00f3n?<\/p>\n\n\n\n
Estas acciones pueden ser en tiempo real, como bloquear la transacci\u00f3n o mostrar una advertencia en la app, o bien ejecutarse de forma asincr\u00f3nica, como abrir un caso interno para investigaci\u00f3n. En todos los casos, el evento queda registrado y es procesado por el sistema distribuido de ETL de Nubank \u2014que agrega m\u00e1s de 100 terabytes de registros por d\u00eda\u2014 para an\u00e1lisis y mejoras continuas.<\/p>\n\n\n\n
Las cifras detr\u00e1s de la plataforma son enormes. Procesa cerca de 450 millones de eventos por d\u00eda, generando alrededor de 5 millones de solicitudes internas por minuto. Esto se debe a que un solo evento, como una transacci\u00f3n PIX, puede activar docenas de procesos encadenados.<\/p>\n\n\n\n
Para soportar esta carga, Nubank se apoya en una arquitectura altamente distribuida con 20 shards solo en Brasil: r\u00e9plicas completas del sistema que ayudan a distribuir el tr\u00e1fico y mantener una baja latencia para millones de usuarios.<\/p>\n\n\n\n
Esta arquitectura se basa en una pila tecnol\u00f3gica centrada en Clojure, Datomic (sobre DynamoDB) y Kafka. Los modelos de machine learning se desarrollan en Python, y la observabilidad est\u00e1 presente en cada capa mediante registros, trazas y m\u00e9tricas en tiempo real.<\/p>\n\n\n\n
En su n\u00facleo, la plataforma gira en torno a una estructura dual: detecci\u00f3n y acci\u00f3n. La detecci\u00f3n puede hacerse mediante reglas escritas manualmente o modelos de machine learning. Como los modelos tienden a ser m\u00e1s lentos, la plataforma usa una estrategia inteligente: si una regla ya puede identificar con certeza que una transacci\u00f3n es riesgosa, el modelo ni siquiera se ejecuta \u2014lo que ahorra tiempo y recursos.<\/p>\n\n\n\n
Todas las defensas pasan por una fase de shadow testing antes de su lanzamiento. En esta etapa, nuevas reglas y modelos se ejecutan en paralelo al entorno de producci\u00f3n, usando entradas reales pero sin afectar a los usuarios. Esto permite validar precisi\u00f3n y rendimiento en condiciones reales, sin riesgo.<\/p>\n\n\n\n
La primera versi\u00f3n del orquestador era simple pero ineficiente. Ejecutaba los componentes por capas, lo que obligaba a procesos r\u00e1pidos a esperar innecesariamente a los m\u00e1s lentos. Recientemente, el equipo reconstruy\u00f3 este componente usando un modelo basado en DAG (Directed Acyclic Graph), con una biblioteca de c\u00f3digo abierto desarrollada en Nubank llamada Nodaly.<\/p>\n\n\n\n
En este nuevo modelo, cada componente espera solo por los datos de los que depende \u2014nada m\u00e1s. Como resultado, el tiempo de procesamiento en flujos complejos cay\u00f3 de 550 milisegundos a unos 350, una mejora significativa cuando se trata de millones de transacciones al d\u00eda.<\/p>\n\n\n\n
Hoy en d\u00eda, escribir reglas a\u00fan requiere trabajo de ingenier\u00eda. Pero el equipo est\u00e1 trabajando para cambiar eso. Al migrar m\u00e1s partes de la plataforma a un modelo declarativo basado en configuraci\u00f3n, el objetivo es permitir que analistas de fraude y otros perfiles no t\u00e9cnicos contribuyan directamente. Eso significa m\u00e1s agilidad, m\u00e1s autonom\u00eda y mejor capacidad de respuesta ante amenazas emergentes.<\/p>\n\n\n\n
La plataforma tambi\u00e9n est\u00e1 evolucionando para ofrecer a los equipos de producto m\u00e1s visibilidad sobre el costo operacional de cada defensa. Con ello, ser\u00e1 posible tomar decisiones m\u00e1s inteligentes no solo sobre el riesgo, sino tambi\u00e9n sobre la eficiencia.<\/p>\n\n\n\n
Despu\u00e9s del recorrido por la plataforma de Nubank, Rafael Rodrigues de AWS ofreci\u00f3 una visi\u00f3n pr\u00e1ctica sobre c\u00f3mo las instituciones financieras est\u00e1n usando herramientas en la nube para combatir el fraude. Mostr\u00f3 c\u00f3mo Amazon Rekognition puede realizar verificaci\u00f3n de documentos y reconocimiento facial, incluyendo detecci\u00f3n de vida (liveness detection).<\/p>\n\n\n\n
Tambi\u00e9n demostr\u00f3 c\u00f3mo Textract puede extraer datos de documentos de identidad, y c\u00f3mo SageMaker se puede usar para entrenar modelos de detecci\u00f3n de fraude \u2014ya sea con aprendizaje supervisado tradicional o con t\u00e9cnicas m\u00e1s avanzadas como detecci\u00f3n de anomal\u00edas y modelado por grafos.<\/p>\n\n\n\n
Un punto destacado fue AWS CleanRooms, que permite a las empresas colaborar de forma segura en conjuntos de datos compartidos sin exponer datos sensibles, abriendo la puerta a esfuerzos conjuntos de lucha contra el fraude entre instituciones.<\/p>\n\n\n\n
El modelado por grafos fue uno de los temas m\u00e1s destacados. A diferencia de la detecci\u00f3n tradicional, que analiza transacciones de forma aislada, los modelos basados en grafos revelan relaciones entre usuarios, dispositivos, direcciones IP y m\u00e1s.<\/p>\n\n\n\n
Rafael mostr\u00f3 c\u00f3mo mapear estas conexiones permite identificar r\u00e1pidamente redes de fraude, detectar identidades robadas reutilizadas en m\u00faltiples cuentas y descubrir comportamientos sospechosos que de otra manera ser\u00edan dif\u00edciles de detectar. Con Amazon Neptune como base de datos de grafos y SageMaker para el entrenamiento, el potencial para defensas m\u00e1s poderosas y contextuales es evidente.<\/p>\n\n\n\n
El fraude nunca deja de evolucionar \u2014y nuestra plataforma tampoco. Con una arquitectura que combina rendimiento, flexibilidad y observabilidad, la Defense Platform est\u00e1 en constante mejora. Ya sea adoptando nuevos modelos, repensando la orquestaci\u00f3n o empoderando a m\u00e1s personas para construir defensas, la misi\u00f3n sigue siendo la misma: proteger a nuestros clientes, a escala.<\/p>\n\n\n\n
Y al combinar nuestra experiencia interna con colaboraciones externas \u2014como las herramientas y servicios de AWS\u2014 estamos construyendo un ecosistema de seguridad que se fortalece con cada transacci\u00f3n.<\/p>\n\n\n\n