Construye un detector de fraude end-to-end para una neobanca mexicana
Visión general
De qué trata este proyecto.
Recibirás un dataset anonimizado de 1,2 millones de transacciones (3 % positivas) con metadatos de dispositivo, comercio y velocidad. Debes construir el pipeline completo: ingesta, limpieza, ingeniería de variables (features), modelo base (regresión logística), modelo avanzado (gradient boosting) y un informe de evaluación que reporte AUC-PR (Area Under the Precision-Recall Curve — área bajo la curva precisión-exhaustividad), recall a una tasa de falsos positivos del 1 %, y un análisis de equidad por código postal. El éxito es un modelo reproducible con un cuaderno (notebook) limpio, un script de entrenamiento parametrizado y un informe de 3 páginas que el responsable de riesgo (no técnico) pueda leer.
El Briefing
Lo que harás y lo que demostrarás.
Entregar un modelo supervisado de fraude reproducible que alcance recall del 70 % a 1 % de falsos positivos en el conjunto de prueba, con documentación lista para piloto.
Earning criteria — what you'll demonstrate
- Implementar end-to-end un proyecto de ML supervisado bajo restricciones reales de clase desbalanceada
- Aplicar ingeniería de variables sobre series temporales transaccionales sin filtrar el futuro
- Evaluar y comunicar el rendimiento de un modelo con métricas alineadas al negocio
- Documentar un experimento de forma reproducible por otra persona del equipo
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Trayectorias profesionales que esto construye
Roles canónicosIngeniero/a de Machine Learning
Llevar un modelo supervisado de exploración a un script reproducible con métricas alineadas al negocio es exactamente el trabajo cotidiano de una persona MLE junior en cualquier fintech.
Este proyecto afina
- supervised-learning
- feature-engineering
- reproducibility
Científico/a de Datos
Este reto practica el ciclo completo de un proyecto de data science: análisis exploratorio, evaluación rigurosa y comunicación a una persona stakeholder no técnica.
Este proyecto afina
- model-evaluation
- feature-engineering
- python
Científico/a Aplicado/a de IA
Conectar una decisión de modelado con una métrica de negocio (pérdidas por fraude evitadas) es la habilidad central que diferencia al científico aplicado del investigador puro.
Este proyecto afina
- model-evaluation
- experiment-tracking
- supervised-learning