FraudGraph

Description du projet

FraudGraph simule un système de détection de fraude transactionnelle proche des cas d'usage rencontrés en banque, fintech et assurance. L'idée : combiner machine learning supervisé et graph analytics pour identifier des comportements frauduleux complexes, souvent invisibles avec une approche purement tabulaire.

Approche technique

• Construction d'un graphe transactionnel reliant utilisateurs, comptes, marchands, appareils et adresses IP
• Extraction de graph features : degré, centralité, communautés, vélocité transactionnelle et connexions suspectes
• Entraînement d'un modèle XGBoost optimisé pour données déséquilibrées avec pondération des classes et calibration des probabilités
• Comparaison avec des baselines classiques : Logistic Regression, Random Forest et règles métier
• API FastAPI pour simuler un scoring fraude en temps réel
• Dashboard Streamlit pour visualiser les alertes, transactions à risque et sous-réseaux suspects

Apprentissages

• Apport mesurable des graph features par rapport à une approche purement tabulaire (gain net sur le recall fraude)
• Identification de patterns collectifs : comptes relais, marchands à risque, clusters d'appareils suspects
• Calibration du seuil de décision selon le niveau de tolérance au risque métier
• Pipeline pensé pour être industrialisable dans un contexte fintech ou banque

Déploiement cloud AWS

• Stockage des jeux de données, modèles entraînés et artefacts ML sur Amazon S3
• Exposition d'un endpoint de scoring fraude via API Gateway et AWS Lambda pour simuler une architecture serverless
• Persistance des scores, alertes et métadonnées de transactions dans DynamoDB
• Monitoring léger avec CloudWatch : logs d'inférence, latence API et suivi des erreurs
• Gestion des permissions avec IAM en appliquant le principe du moindre privilège
• Architecture pensée pour rester compatible avec un projet personnel et les limites du Free Tier AWS