Detecção de Fraude em Transações Financeiras (Anomaly Detection & Deep Learning)
Sistema preditivo de detecção de transações fraudulentas com ensemble de Isolation Forest (não-supervisionado) e Autoencoder neural (PyTorch). Tratamento de desbalanceamento extremo (0.49% de fraudes), otimização de threshold por custo assimétrico (R$ 15/FP vs R$ 3.500/FN) e simulador financeiro de impacto.
Desbalanceamento Extremo e Custo Assimétrico de Erros
Em 488K transações, apenas 0.49% são fraudes (ratio 1:204). Um classificador naive atinge 99.5% de acurácia sem detectar nenhuma fraude. O custo de não detectar uma fraude (R$ 3.500 médio) é 233× maior que o custo de bloquear uma transação legítima (R$ 15), exigindo métricas e thresholds especializados.
Ensemble Isolation Forest + Autoencoder com Threshold por Custo
Combinação ponderada (0.55×IF + 0.45×AE) de Isolation Forest com 300 estimadores e Autoencoder undercomplete (8→32→16→4→16→32→8) treinado exclusivamente com transações legítimas. Feature engineering com Z-Score de valor, velocidade transacional, distância geográfica e desvio de padrão horário. Threshold otimizado minimizando o custo total ponderado.
R$ 7.7M em Fraudes Evitadas e 0.30% de Falsos Positivos
Recall de 91.8% (2.207 de 2.404 fraudes capturadas), Precision de 56.2%, PR-AUC de 0.847 e apenas 1.720 transações legítimas bloqueadas por engano mensalmente. ROI de R$ 299 salvos para cada R$ 1 em custo de falso positivo.
Experimente a Aplicação em Tempo Real
Este projeto possui ambiente de produção ativo com navegação completa, telemetria em tempo real e interface responsiva otimizada.