Costruirò modelli di rilevamento frodi e di rischio di credito

La maggior parte dei modelli di frode sono scatole nere. I team di conformità, gli ufficiali di rischio e gli auditor devono sapere perché una transazione è stata segnalata, non solo che lo è stata.

Costruisco sistemi di rilevamento frodi con spiegabilità SHAP in modo che ogni decisione del modello abbia una traccia di audit a livello di feature. Difendibile per report KYC/AML, revisione regolamentare e comitati di rischio di credito.

Il mio lavoro utilizza XGBoost e LightGBM su dati di transazioni sbilanciati. Creo firme di bilanciamento, caratteristiche di velocità e indicatori di deviazione dell'account. PR-AUC è la mia metrica principale, la precisione è irrilevante con un tasso di frode dell'1,8%.

Basato su PaySim: 200K transazioni, 31 caratteristiche ingegnerizzate, baseline PR-AUC di 0,674 in miglioramento attivo. Ingegneria reale nel dominio FinTech, non notebook giocattolo.

Servizi: classificatore di frode binario, pipeline di feature engineering, integrazione SHAP, ottimizzazione della soglia, rapporto di valutazione del modello (curva PR, ROC, matrice di confusione), blueprint di deployment con FastAPI.

Deliverables: notebook o script Python, artefatto del modello addestrato, grafici SHAP, rapporto di valutazione e memo di audit.

Contattami con il formato del tuo dataset, volume di transazioni, tasso di frode e se è necessario il deployment con FastAPI.