Je vais concevoir des modèles de détection de fraude et de risque de crédit

La plupart des modèles de fraude sont des boîtes noires. Les équipes de conformité, les responsables des risques et les auditeurs doivent comprendre pourquoi une transaction a été signalée, pas seulement qu’elle l’a été.

Je crée des systèmes de détection de fraude avec une explicabilité SHAP afin que chaque décision du modèle dispose d’un suivi au niveau des caractéristiques. Cela permet d’être défendable pour la conformité KYC/AML, l’examen réglementaire et les comités de risque de crédit.

Mon travail utilise XGBoost et LightGBM sur des données de transactions déséquilibrées. J’ingénie des signatures de drain de balance, des caractéristiques de vitesse et des indicateurs de déviation de compte. La métrique principale est PR-AUC, la précision n’étant pas significative avec un taux de fraude de 1,8 %.

Basé sur PaySim : 200 000 transactions, 31 caractéristiques ingénierisées, PR-AUC de référence à 0,674 en amélioration active. Ingénierie dans le domaine FinTech réel, pas des notebooks de jouet.

Services : classificateur binaire de fraude, pipeline d’ingénierie de caractéristiques, intégration SHAP, optimisation du seuil, rapport d’évaluation du modèle (courbe PR, ROC, matrice de confusion), plan de déploiement FastAPI.

Livrables : notebook ou script Python, artefact du modèle entraîné, graphiques SHAP, rapport d’évaluation, note d’audit.

Contactez-moi avec le format de votre dataset, le volume de transactions, le taux de fraude et si un déploiement FastAPI est nécessaire.