Desenvolvimento de modelo de antifraude para o pix

Sobre este projeto

Aberto

Preciso desenvolver um modelo de machine learning para detecção de fraudes em transações PIX, com processamento em streaming em tempo real (até 2 segundos de latência). O modelo deve analisar variáveis como padrões horários, valor da transação e outros comportamentos suspeitos, utilizando Apache Spark para garantir escalabilidade e velocidade. O critério de aceitação inclui acurácia mínima de 80% em backtesting com dados históricos e processamento dentro do tempo estipulado. Busco freelancers com experiência em modelos de antifraude, Spark Structured Streaming e machine learning em tempo real, que possam iniciar o projeto o quanto antes. Estarei disponível para revisar propostas técnicas e discutir detalhes.

Contexto Geral do Projeto

Objetivo: Criar um sistema de detecção de fraudes para transações PIX que opere em tempo real, identificando comportamentos anômalos com base em padrões de horário (ex.: Transações incomuns em horários de pico ou madrugada) e valor monetário (ex.: Valores acima da média do usuário). 1. Desenvolver um pipeline de streaming com Apache Spark para processar transações. 2. Treinar um modelo de machine learning (ex.: Random Forest, XGBoost, ou modelo híbrido) com dados históricos rotulados. 3. Implementar lógica de alerta em tempo real para bloquear transações suspeitas. 4. Garantir latência máxima de 2 segundos desde a entrada da transação até a decisão. Contexto: Com o aumento de transações via PIX no Brasil, há necessidade crítica de mitigar riscos de fraudes (ex.: Sequestro de chaves, transações fantasma). O modelo deve ser integrado a sistemas financeiros existentes, com capacidade de processar milhares de transações por segundo. Referências: - Detecção de Fraude em Tempo Real com Spark: https://spark.apache.org/docs/latest/streaming-programming-guide.html - Padrões de Fraude no PIX: https://www.bcb.gov.br/estabilidadefinanceira/pix - Exemplo de Arquitetura de Antifraude: https://medium.com/@parinpatel094/a-deep-dive-into-apache-flinks-datastream-api-48366e3fed27 https://medium.com/@parinpatel094/real-time-fraud-detection-using-apache-flink-and-machine-learning-62e83ad15de1 --- Critérios de Aceite: 1. Acurácia mínima de 80%* em testes com dataset histórico. 2. Latência máxima de 2 segundos por transação. 3. Documentação técnica detalhada da arquitetura e modelo. 4. Código entregue em repositório Git com exemplos de deployment. --- Observações Adicionais: - Priorizaremos freelancers com portfólio em projetos similares (antifraude, Spark, ML em tempo real). - Indique na proposta: experiência com Kafka/Amazon Kinesis (para streaming), frameworks de ML (ex.: MLlib, Tensorflow), e métricas de avaliação de modelos (ex.: auc-roc, f1-score). - Incluir sugestões de otimização de custos na infraestrutura será um diferencial.

Categoria TI e Programação
Subcategoria Programação
Qual é o alcance do projeto? Alteração média
Isso é um projeto ou uma posição de trabalho? Um projeto
Tenho, atualmente Eu tenho uma ideia geral
Disponibilidade requerida Conforme necessário
Integrações de API Outros (Outras APIs)
Funções necessárias Desenvolvedor

Prazo de Entrega: 01 de Julho de 2025

Habilidades necessárias

MySQL API Modelagem de Dados Estruturação de Dados Python Análise Financeira Big Data Inteligência artificial Data Science Data Analyst (Python)

Sobre este projeto

it-programming / web-development

Aberto