Machine Learning / MLOps
Fraud Detection MLOps.
Versionner données et modèles, suivre les expériences et utiliser un registre de modèles avec MLflow et DVC.
Problème
Rendre une expérimentation de détection de fraude traçable et reproductible.
Contexte
Projet pédagogique de cycle de vie ML sur des transactions synthétiques.
Objectif
Suivre les expériences, versionner les données et gérer les versions de modèle.
Dataset / Données
Dataset de transactions synthétiques à visée pédagogique. Pas de données bancaires de production.
Architecture
Données versionnées DVC / Git → Random Forest → MLflow Tracking → Model Registry.
Méthodologie
Expérience MLflow « tp1-decouverte ». Utilisation d’un modèle enregistré et de concepts d’alias de production.
Ma contribution
Projet déclaré dans le parcours du candidat. Le périmètre individuel et la répartition du travail restent à confirmer.
Difficultés
Relier versions des données, expériences et modèles enregistrés.
Limites
Données synthétiques. Aucun déploiement en production ni gain de détection réel revendiqué.
Enseignements
Traçabilité du cycle de vie ML, registres et versioning des données et modèles.
Résultats du projet
Transactions synthétiques
Dataset pédagogique ; 568 transactions frauduleuses. Aucune métrique prédictive validée fournie.