Détection de fraude en temps réel pour les porteurs de cartes européens
Un système de détection de fraude de bout en bout qui évalue en temps réel le risque de fraude des transactions par carte, intégrant machine learning, déploiement cloud et une interface web en ligne pour les analystes.
Le problème
La fraude financière est un problème persistant et coûteux dans la banque, et les signaux de fraude sont rares et très déséquilibrés. L'enjeu : évaluer instantanément le risque de fraude d'une transaction tout en gardant le système explicable et utilisable par des analystes non techniques.
Le système en un coup d'œil
Modèle
Random Forest avec rééquilibrage SMOTE
API
Service de scoring FastAPI
Interface
Application Streamlit pour les analystes
Cloud
Lambda et Render, EC2 derrière Nginx
Approche
J'ai construit un modèle Random Forest avec SMOTE pour gérer le fort déséquilibre typique des données de fraude, puis l'ai enveloppé dans une interface qui renvoie une probabilité de fraude instantanée pour chaque transaction et conserve l'historique pour analyse.
- Classifieur Random Forest avec rééquilibrage SMOTE
- Score de probabilité de fraude instantané par transaction
- Suivi de l'historique des transactions avec export CSV
Architecture
Un service FastAPI expose le modèle, tandis qu'une application Streamlit offre l'interface destinée aux analystes. La conception sépare l'API de scoring de l'interface, pour que chacune évolue et passe à l'échelle indépendamment.
- Service de scoring FastAPI
- Interface analyste Streamlit
- Export CSV pour analyses en aval
Déploiement
L'API a été déployée en serverless sur AWS Lambda et sur Render, l'interface Streamlit étant servie depuis une instance AWS EC2 derrière Nginx, démontrant un chemin cloud complet, du modèle au produit utilisable.
- FastAPI sur AWS Lambda + Render
- Interface Streamlit sur AWS EC2 derrière Nginx
Valeur métier
Le système montre comment machine learning, MLOps et déploiement cloud se combinent en un outil de filtrage de la fraude scalable et efficace, offrant aux analystes des signaux de risque instantanés et exportables plutôt qu'un modèle figé.
Enseignements
Pour les événements rares comme la fraude, le choix de modélisation est indissociable de la façon dont on traite le déséquilibre.
Une interface fine et bien séparée par-dessus une API de scoring rend le ML réellement utilisable par les équipes métier.
Le déploiement sur Lambda, EC2 et Render a prouvé que le pipeline est portable d'une cible cloud à l'autre.