Kairos es una plataforma de código abierto para la toma de decisiones de riesgo y fraude, diseñada para evaluar comportamientos financieros, como registros, inicios de sesión y pagos, en tiempo real. Sirve como una alternativa a los servicios comerciales de detección de fraude al proporcionar un sistema que devuelve acciones inmediatas —aprobar, aumentar la seguridad, revisar o bloquear— junto con las puntuaciones de riesgo específicas y las señales que sustentan cada elección. La plataforma rastrea el historial de los sujetos, incluyendo dispositivos compartidos, tarjetas y direcciones, para proporcionar contexto a cada decisión.
Esta imagen ilustra la capacidad de la plataforma para devolver acciones inmediatas junto con puntuaciones de riesgo y señales específicas.
El mecanismo central de Kairos se basa en un enfoque híbrido entre 'modelos de decisión' y el aprendizaje automático tradicional. En su centro se encuentra Grayson, un modelo de decisión que puede procesar datos no estructurados como correos electrónicos, nombres y títulos de artículos para responder preguntas en lenguaje natural (por ejemplo, "¿Es este correo electrónico desechable?") con probabilidades calibradas. Si bien estos modelos de decisión sobresalen en escenarios con pocos datos etiquetados o texto complejo, Kairos también admite modelos tradicionales como la regresión logística y árboles de gradiente potenciado (compatibles con XGBoost). Al combinar las respuestas cualitativas de Grayson con datos cuantitativos de modelos tradicionales, la plataforma permite a los usuarios equilibrar las capacidades de razonamiento avanzado con la puntuación de bajo costo y alta precisión requerida para transacciones de alto volumen.
Un diferenciador principal de Kairos es su diseño "agent-first", que utiliza un servidor de Protocolo de Contexto de Modelo (MCP). Esto permite que los agentes de codificación de IA, como Claude Code, Cursor o Codex, interactúen directamente con la plataforma para realizar el trabajo de un ingeniero de ML de fraude. Estos agentes pueden construir flujos de trabajo, proponer variantes de modelos y ejecutar experimentos. Kairos luego entrena estas variantes con datos etiquetados, las prueba con nuevos datos e informa métricas de rendimiento como ROC-AUC y precisión-recuerdo. El agente puede entonces explicar su elección y publicar automáticamente el modelo ganador como la nueva versión del flujo de trabajo. Si bien esta automatización agiliza el desarrollo de defensas contra el fraude, la eficacia de la plataforma sigue dependiendo de la calidad de las etiquetas proporcionadas por los datos históricos del usuario y de las preguntas específicas planteadas al modelo Grayson.