معرفی کایروس؛ پلتفرم متن‌باز تصمیم‌گیری برای تقلب و ریسک با قابلیت هدایت توسط هوش مصنوعی

پلتفرم Kairos یک راه‌حل متن‌باز و مدرن برای ارزیابی لحظه‌ای ریسک و تشخیص تقلب در تراکنش‌ها، ثبت‌نام‌ها و ورود کاربران است. این پروژه به‌عنوان جایگزینی متن‌باز برای سرویس‌های تجاری مانند Sift و Sardine طراحی شده و تلاش می‌کند دو چالش بزرگ مهندسان داده و تیم‌های امنیت را حل کند: کمبود داده‌های برچسب‌گذاری‌شده برای آموزش مدل‌ها و سرعت بالای کلاه‌برداران در تغییر الگوهای رفتار خود.

معماری و نحوه کارکرد

سیستم‌های سنتی تشخیص تقلب معمولاً به مدل‌های یادگیری ماشینی مانند XGBoost یا رگرسیون لجستیک متکی هستند. این مدل‌ها برای دقت بالا نیازمند حجم عظیمی از داده‌های برچسب‌گذاری‌شده (چارج‌بک‌ها و موارد تقلب ثبت‌شده) هستند که بسیاری از کسب‌وکارها در مراحل اولیه به آن دسترسی ندارند. کایروس برای حل این مشکل از مفهوم «مدل‌های سیستم یک» به نام Grayson بهره می‌برد که اجازه می‌دهد سوالات به زبان ساده (مانند «آیا این ایمیل موقت یا یک‌بارمصرف است؟») مستقیماً در ارزیابی‌ها لحاظ شوند.

معماری کایروس قابلیت ترکیب مدل‌های تصمیم‌گیری متنی با مدل‌های سنتی (رگرسیون لجستیک و درخت‌های تصمیم‌گیری) را فراهم می‌کند. پاسخ‌های مدل Grayson به عنوان ویژگی‌های جدید در کنار داده‌های عددی قرار می‌گیرند تا دقت پیش‌بینی به‌شدت افزایش یابد.

نقش ایجنت‌های هوش مصنوعی و پروتکل MCP

یکی از نوآوری‌های کلیدی کایروس، پشتیبانی بومی از سرور Model Context Protocol یا همان MCP است. این ویژگی به توسعه‌دهندگان اجازه می‌دهد تا ایجنت‌های هوش مصنوعی خود (مانند Claude Code، Cursor یا Codex) را به پلتفرم متصل کنند تا کارهای یک مهندس یادگیری ماشین را انجام دهند:

• طراحی جریان کار: ایجنت می‌تواند منطق تصمیم‌گیری و سوالات مورد نیاز را تعریف کند.
• اجرای آزمایش‌ها: مدل‌های مختلف را روی داده‌های تاریخی تست کند.
• ارزیابی عملکرد: معیارهایی نظیر ROC-AUC و PR-AUC را بسنجد.
• انتشار نسخه برنده: بهترین مدل را به عنوان نسخه اجرایی جدید مستقر کند.

نحوه استفاده و شروع به کار

برای استفاده از این کتابخانه در پروژه‌های Node.js یا پایتون، می‌توانید بسته‌های مربوطه را نصب کنید:

npm install @finic-ai/kairos

نمونه کد ساده برای ثبت رویداد و گرفتن تصمیم به این شکل است:

import { Kairos } from "@finic-ai/kairos";

const kairos = new Kairos({ apiKey: process.env.KAIROS_API_KEY!, baseUrl: "https://kairos.finic.ai" });

await kairos.defineAction("withdrawal", {
  subject: "user",
  hold: "Should this withdrawal be held because the account shows signs of fraud or takeover?",
});

kairos.track("login", { userId: "user_42", deviceId: "dev_9", ipCountry: "GB" });

const decision = await kairos.decide({ type: "withdrawal", userId: "user_42", usd: 900 });

برای راه‌اندازی نسخه شخصی روی سرور محلی نیز با داشتن Node.js 22 و یک کلید API از پورتال، می‌توان به کمک Docker Compose سیستم را بالا آورد بدون اینکه نیاز به پیکربندی پیچیده پایگاه داده باشد.

سیگنال‌های بلوغ و چرا این پروژه در هکرنیوز مطرح شد

این پروژه با مجوز متن‌باز Apache-2.0 منتشر شده و توسط تیم Finic توسعه داده می‌شود. حضور آن در هکرنیوز نشان‌دهنده علاقه رو به رشد جامعه مهندسی نرم‌افزار به ابزارهای امنیتی متکی بر هوش مصنوعی است که توانایی خودکارسازی چرخه تایید مدل‌ها را از طریق پروتکل‌های استاندارد ایجنت‌محور فراهم می‌کنند. این رویکرد جدید می‌تواند هزینه‌های نگهداری سیستم‌های ضدتقلب را برای استارتاپ‌ها و شرکت‌های متوسط به شکل چشمگیری کاهش دهد.

در یک نگاه

• زبان اصلی: TypeScript
• مجوز: Apache-2.0
• محیط‌های اجرایی: ابزار CLI، SDKهای TypeScript و Python، و داکر
• ویژگی شاخص: استفاده از سرور MCP برای مدیریت خودکار مدل‌ها توسط ایجنت هوش مصنوعی