Vou construir modelos de detecção de fraude e risco de crédito

A maioria dos modelos de fraude são caixas pretas. Equipes de conformidade, oficiais de risco e auditores precisam saber por que uma transação foi marcada, não apenas que ela foi.

Eu construo sistemas de detecção de fraude com explicabilidade SHAP, para que cada decisão do modelo tenha um rastro de auditoria a nível de feature. Pode ser usado para relatórios de KYC/AML, revisão regulatória e comitês de risco de crédito.

Meu trabalho usa XGBoost e LightGBM em dados de transações desbalanceadas. Eu crio assinaturas de balanceamento, features de velocidade e indicadores de desvio de conta. PR-AUC é minha métrica principal, precisão é irrelevante com taxa de fraude de 1,8%.

Baseado no PaySim: 200 mil transações, 31 features criadas, baseline de PR-AUC de 0,674, melhorando continuamente. Engenharia de domínio real de FinTech, não notebooks de brinquedo.

Serviços: classificador binário de fraude, pipeline de engenharia de features, integração SHAP, otimização de threshold, relatório de avaliação do modelo (curva PR, ROC, matriz de confusão), plano de implantação com FastAPI.

Entregáveis: notebook ou script em Python, artefato do modelo treinado, gráficos SHAP, relatório de avaliação e memorando de auditoria.

Me envie sua formatação de dataset, volume de transações, taxa de fraude e se precisa de implantação com FastAPI.