Crearé modelos de detección de fraude y riesgo de crédito

La mayoría de los modelos de fraude son cajas negras. Los equipos de cumplimiento, oficiales de riesgo y auditores necesitan saber por qué una transacción fue marcada, no solo que lo fue.

Construyo sistemas de detección de fraude con explicabilidad SHAP para que cada decisión del modelo tenga una pista de auditoría a nivel de característica. Es defendible para informes KYC/AML, revisión regulatoria y comités de riesgo crediticio.

Mi trabajo utiliza XGBoost y LightGBM en datos de transacciones desequilibrados. Diseño firmas de balance, características de velocidad y indicadores de desviación de cuentas. PR-AUC es mi métrica principal; la precisión no tiene sentido con una tasa de fraude del 1.8%.

Basado en PaySim: 200K transacciones, 31 características diseñadas, línea base de PR-AUC de 0.674 en mejora activa. Ingeniería en dominio real de FinTech, no cuadernos de juguete.

Servicios: clasificador binario de fraude, pipeline de ingeniería de características, integración SHAP, optimización de umbrales, informe de evaluación del modelo (curva PR, ROC, matriz de confusión), plan de despliegue con FastAPI.

Entregables: cuaderno o script en Python, artefacto del modelo entrenado, gráficos SHAP, informe de evaluación y memorando de auditoría.

Envíame un mensaje con el formato de tu dataset, volumen de transacciones, tasa de fraude y si necesitas despliegue con FastAPI.