🏦 Aurora Crédito Digital · Motor de Decisão

A régua da decisão vem do custo, não da acurácia. A área de risco fechou os dois erros em valores diferentes, e é essa assimetria que organiza tudo:

Como o falso negativo custa dez vezes mais, o limiar que minimiza o custo esperado é p* = 500 / (500 + 5.000) = 0,0909. Usar o 0,50 que vem de fábrica no predict() custaria R$ 4 milhões a mais na carteira de teste — a conta completa está no epílogo da série.

Números do modelo em 37.500 clientes nunca vistos: ROC AUC 0,8692 · PR AUC 0,4101 · Brier 0,0485 · probabilidade média 0,0666 contra taxa real 0,0668. A calibração é o que permite tratar a saída como probabilidade de verdade, e não como um ranking — sem ela, o limiar econômico não faria sentido.

O app original é Streamlit: um servidor Python que carrega o .joblib, importa LightGBM, scikit-learn e SHAP, e responde a cada clique pela rede. Funciona, mas o primeiro acesso paga o preço de acordar o contêiner e importar tudo isso.

Aqui o caminho é outro. O pipeline treinado foi exportado para um artefato JSON com as 600 árvores achatadas em arrays e as duas medianas aprendidas no treino. A página traz três funções escritas à mão em JavaScript puro, sem nenhuma biblioteca:

• preparação — deriva as 6 features e aplica as regras de tratamento, linha a linha igual ao aurora/preparacao.py;
• predição — percorre as 600 árvores e soma as folhas;
• TreeSHAP — o algoritmo exato de Lundberg, o mesmo que o shap.TreeExplainer executa em Python.

Não é aproximação. A conferência de integridade no topo desta página é a mesma do app Python: um cliente fixo tem que devolver 0,1569673418089306. Em 400 clientes sorteados, a diferença máxima contra o pipeline original ficou em 1,1 × 10⁻¹⁶ na probabilidade e 1,3 × 10⁻¹⁵ nos valores SHAP — o limite da precisão de ponto flutuante, não do método.

O artefato tem 700 KB (cerca de 200 KB comprimidos), é baixado uma única vez e fica em cache. Depois disso, cada decisão leva poucos milissegundos e acontece inteiramente no seu dispositivo.