Caso de estudo · Dados & IA
Detecção de fraude em cartão
um pipeline de machine learning que decide transação por transação se algo está errado.
01 · Números
O que os dados mostram.
284k
transações processadas
0,17%
de fraude na base
0.94
ROC AUC do modelo final
02 · O que foi entregue
Entregas nomeadas.
284 mil transações reais processadas de ponta a ponta.
Fraude em 0,17% das amostras: desbalanceamento tratado, não ignorado.
Três modelos comparados com critério declarado antes da escolha final.
ROC AUC 0.94 no modelo final, com relatório escrito antes de comemorar o número.
03 · Stack & papel
Com o que foi feito.
Pythonscikit-learnpandas
Projeto individual: desenhei a solução, orquestrei os agentes que a implementaram, revisei e mantenho o código.
04 · No repositório
O código por trás do caso.
O explorador abaixo abre o GitHub inteiro, com este caso já pré-selecionado.
Vamos conversar sobre o seu problema.
Tenho interesse em oportunidades em IA e agentes, dados, backend, cibersegurança e TI. Se o seu time precisa de alguém que já colocou projeto no ar e mantém tudo rodando, me chame.