ИИтог

Finic опубликовала Kairos: открытая платформа антифрода, которую настраивает ИИ-агент

инструментыРедакция ИИтогHacker News🔥52Рейтинг ИИтог52Влияние35Новизна50Релевантность70Неожиданность30Участники10Достоверность70
Finic опубликовала Kairos: открытая платформа антифрода, которую настраивает ИИ-агент

Компания Finic опубликовала на GitHub Kairos, платформу с открытым кодом (лицензия Apache 2.0) для принятия решений о рисках и мошенничестве. Платформа оценивает каждую регистрацию, вход, заказ, платёж и выплату в момент события и сохраняет каждое решение вместе с сигналами, на которых оно основано. В README Kairos позиционируется как открытая альтернатива Sardine, Sift, Riskified и SEON, с двумя отличиями: её настраивает кодинг-агент, а модели принятия решений ловят мошенничество ещё до того, как накоплены размеченные данные для обучения.

Один вызов возвращает одно из четырёх решений, approve (пропустить), step up, review (ручная проверка) или block (заблокировать), вместе с оценкой риска и причинами. Решение строится по истории субъекта, по общим с другими пользователями устройствам, картам и адресам и по данным сессии. Дополнительно есть рабочие процессы (workflows): спросить модель принятия решений, оценить моделью, ветвить логику, вызвать вебхуки, открыть кейс и принять решение позже. Очереди и кейсы нужны для работы людей-проверяющих: их решения становятся разметкой для обучения.

Главная особенность, настройка агентом. К MCP-серверу Kairos подключаются Claude Code, Cursor, Codex или любой другой агент, и он может выполнять работу ML-инженера по антифроду. Агент строит рабочий процесс (что решать, какие вопросы задавать модели, какие поля оценивать), проектирует эксперименты (только модель принятия решений, логистическая регрессия на ваших числах, градиентный бустинг над деревьями, их стек или ответы модели в сочетании с вашими числами в одной модели) и затем запускает их на сервере. Сервер обучает каждый вариант на самых старых размеченных данных, выбирает лучший на следующем отрезке и проверяет на самом новом. Отчёт включает ROC-AUC, PR-AUC, прирост относительно базового варианта с 95-процентным интервалом, а также точность и полноту при ваших порогах. Агент объясняет выбор, публикует победителя как следующую версию рабочего процесса и возвращается, когда появляются новые метки. Каждое действие агента записывается под его ключом.

В README есть пример диалога: пользователь пишет, что вырос уровень возвратных платежей (chargebacks), и просит найти модель получше для заказов Shopify. Агент проектирует шесть вариантов, читает результаты и публикует победителя, логистическую регрессию на числах заказа плюс ответы Grayson, как версию v6, называя ROC-AUC 0,949 на валидации и 0,930 на тесте. Это иллюстрация из документации, а не измеренный результат на реальных данных.

Платформа построена вокруг Grayson, модели принятия решений от Finic. Ей задают вопросы обычным языком («Похож ли адрес доставки на адрес перенаправления посылок?», «Одноразовая ли эта почта?»), а она отвечает калиброванными вероятностями. По описанию, такие модели сильны там, где слаб традиционный ML: работают при малом числе меток (с первого дня, без тысяч возвратных платежей), читают неструктурированные данные (описания, письма, имена, адреса, заметки, названия товаров) и объясняют решения, потому что каждый ответ, это написанный вами вопрос. Традиционные модели, наоборот, точно учатся на ваших исходах и ваших числах и не стоят ничего за одно решение. Kairos позволяет совместить оба подхода: ответы Grayson становятся признаками рядом с вашими полями в логистической регрессии или градиентном бустинге (совместимом с XGBoost), а эксперименты показывают, какое сочетание выигрывает на ваших данных.

Для начала работы достаточно зарегистрироваться на kairos.finic.ai, создать песочницу и секретный ключ; для Claude Code в консоли включают группы инструментов в Settings › MCP, создают ключ и добавляют сервер командой claude mcp add. Есть SDK для TypeScript (@finic-ai/kairos) и Python (finic-kairos), CLI, HTTP API и самостоятельный запуск через Docker. Локально нужны Node.js 22, pnpm 10 и ключ Grayson API с portal.finic.ai; базу данных настраивать не нужно, сервер поднимает собственный Postgres. API в режиме разработки работает на порту 8787, консоль, на 5273, для команды предусмотрен docker compose. Есть интеграция с Shopify (приложение выдаёт команда Finic через Discord или support@finic.ai) и приём входящих вебхуков от провайдеров вроде Stripe.

Ключевые факты

  • Kairos, платформа с открытым кодом (Apache 2.0) от Finic: на каждое событие (регистрация, вход, заказ, платёж, выплата) возвращает approve, step up, review или block с оценкой риска и причинами.
  • Позиционируется как открытая альтернатива Sardine, Sift, Riskified и SEON; независимых сравнений с ними в источнике нет.
  • Настраивать систему может кодинг-агент (Claude Code, Cursor, Codex) через MCP: строит рабочие процессы, предлагает варианты моделей, сервер обучает и тестирует их на старых, средних и новых размеченных данных.
  • В основе, модель принятия решений Grayson от Finic: отвечает на вопросы обычным языком калиброванными вероятностями; её ответы можно сочетать с логистической регрессией или градиентным бустингом.
  • Есть SDK для TypeScript и Python, CLI, HTTP API и самостоятельный запуск (Node.js 22, pnpm 10, ключ Grayson API); цифры ROC-AUC 0,949 и 0,930, лишь пример из диалога в README.

Почему это важно

Системы антифрода обычно закрыты и продаются как сервис; Kairos предлагает открытый код под Apache 2.0 для той же задачи. Новизна, по заявлению Finic, в двух вещах: настройку берёт на себя кодинг-агент по MCP, а модель принятия решений начинает работать до накопления тысяч размеченных случаев. Это пример того, как кодинг-агенты выходят за пределы разработки и берут на себя работу ML-инженера в прикладной области.

Кому это важно

Командам интернет-магазинов, платёжных сервисов и финтеха, которым нужно оценивать регистрации, заказы и выплаты в реальном времени, но которые не хотят зависеть от закрытых коммерческих систем. Также интересно тем, кто присматривается к MCP и агентам для автоматизации ML-задач, и магазинам на Shopify, для которых описана отдельная интеграция.

Как это применить

Самый быстрый путь по README: зарегистрироваться на kairos.finic.ai, создать песочницу и секретный ключ, подключить агента командой claude mcp add (в Cursor, Codex и VS Code, аналогично) и попросить его изучить решения, построить рабочий процесс или запустить эксперимент. Для самостоятельного запуска нужны Node.js 22, pnpm 10 и ключ Grayson API с portal.finic.ai; команда pnpm kairos dev поднимает API и консоль локально, для команды есть docker compose. Стоимость размещённой версии и использования Grayson API в источнике не указана.

Можно ли доверять

Источник, первичный, но это README самой Finic, то есть заявления разработчика. Независимых тестов и сравнений с Sardine, Sift, Riskified и SEON нет. Цифры ROC-AUC 0,949 и 0,930 приведены только внутри примера диалога с агентом и не являются результатом на реальных данных. Не указаны точность выявления мошенничества, задержка и пропускная способность, не названы клиенты, версия и дата релиза, а также не раскрыто, как устроена и обучалась модель Grayson.

Риски и подводные камни

Ядро системы, Grayson, модель Finic; для локального запуска нужен ключ Grayson API с portal.finic.ai, и в источнике не сказано, можно ли запускать Grayson локально без него. То есть открытый код не означает полной независимости от Finic. Сама README признаёт, что модели принятия решений слабее традиционных в точном обучении на ваших исходах. Передача агенту права публиковать новую версию модели требует контроля: Kairos записывает каждое действие под ключом агента, но организации стоит самой решить, какие группы инструментов MCP включать.