Parcourir les catégories
Explorer
Fiverr Pro
Français
$
USD
Je vais construire un système de détection de fraude pour protéger votre entreprise avec l'apprentissage automatique
Ingénieur AI Full Stack LangChain RAG GPT4 NextJS FastAPI
Je suis un ingénieur en IA Full Stack avec un master obtenu en Norvège et plus de 4 ans d'expérience dans la mise en production de systèmes. Je suis également 1er runner-up du Hackathon AWS GenAI 2025...
À propos de ce service
Votre entreprise perd-elle de l'argent à cause de fraudes que vous ne voyez pas ?
Je conçois des systèmes de détection de fraude alimentés par ML qui repèrent ce que les règles manuelles manquent — avec une précision réelle et mesurable.
PERFORMANCE PROUVÉE :
- XGBoost : AUC 0.9939 | Précision 1.0 | Rappel 0.96
- Système en ensemble : AUC 0.9980
- Explicabilité SHAP — chaque alerte est accompagnée d'une raison
CE QUE JE FOURNIS :
- Prétraitement des données et ingénierie des caractéristiques
- Entraînement multi-modèles (XGBoost, Random Forest, LightGBM)
- Détection d'anomalies et scoring de risque
- Rapports d'explicabilité SHAP
- Courbe ROC, matrice de confusion, analyse précision-rappel
- Notebook Jupyter propre et documenté + code source
- API REST et tableau de bord Streamlit (Premium)
MEILLEURE UTILISATION POUR :
- Startups fintech et banques
- Problèmes de rétrofacturation en e-commerce
- Fraude aux réclamations d'assurance
- Équipes de conformité AML
TECHNOLOGIES : Python | XGBoost | LightGBM | Scikit-learn | SHAP | FastAPI | Streamlit
LIVRABLES : Code source, rapport d’évaluation, visualisations, Notebook Jupyter
Fonctionne avec votre dataset OU datasets standards (carte de crédit, PaySim, données d'assurance).
Contactez-moi avant de commander pour discuter de votre cas d'utilisation.
Mon portfolio
FAQ
Traduction automatique
Quel type de données faut-il pour construire le modèle de détection de fraude ?
Je peux travailler avec votre propre dataset (CSV, Excel ou export de base de données) ou utiliser des datasets standards du secteur comme celui de la fraude par carte de crédit, PaySim ou les données de réclamations d'assurance. Contactez-moi avant de commander pour que nous nous mettions d’accord sur la source des données.
Quels algorithmes de machine learning utilisez-vous ?
J’utilise XGBoost, LightGBM, Random Forest, Isolation Forest, ainsi que des modèles d'apprentissage profond comme Autoencoder et LSTM pour la détection de motifs temporels. Le choix dépend de la taille et des besoins de vos données. Je recommanderai la meilleure option.
Comprendrai-je pourquoi une transaction a été signalée comme frauduleuse ?
Oui. Tous les modèles incluent des rapports d’explicabilité SHAP pour que vous puissiez voir précisément quelles caractéristiques ont conduit à chaque alerte de fraude. Cela est essentiel pour la conformité, l’audit et la confiance avec les parties prenantes.
Mes données sont-elles confidentielles ?
Absolument. Vos données sont utilisées uniquement pour ce projet et ne sont jamais partagées ni réutilisées. Je peux signer un NDA sur demande avant de commencer le travail.
Quels livrables vais-je recevoir ?
Vous recevrez un code source Python propre et bien documenté, un Notebook Jupyter avec explication étape par étape, un rapport d’évaluation du modèle avec visualisations (courbe ROC, matrice de confusion, graphiques SHAP), et un fichier de dépendances pour une configuration facile. Le package Premium inclut également une API REST et un tableau de bord Streamlit.
Ce système peut-il fonctionner pour d’autres types de fraude que la fraude par paiement ?
Oui. Le système fonctionne pour la fraude aux réclamations d'assurance, la fraude par rétrofacturation en e-commerce, la détection de prise de contrôle de compte, la surveillance des transactions AML, et plus encore. Contactez-moi avec votre cas spécifique avant de commander.
Dois-je fournir des données étiquetées (frauduleux vs non frauduleux) ?
Pas nécessairement. Si vous avez des données étiquetées, je construirai un modèle supervisé pour une meilleure précision. Si vous n'avez que des données brutes sans étiquettes, j'utiliserai la détection d'anomalies non supervisée (Isolation Forest, Autoencoder) pour repérer des motifs suspects.
Ce modèle peut-il être déployé en production après livraison ?
Les packages Basic et Standard livrent un code prêt pour la production que vous pouvez exécuter localement ou sur n'importe quel serveur. Le package Premium inclut une API REST et une configuration prête à déployer. Le déploiement en cloud (AWS, GCP, Azure) est disponible en option payante.
