Detección de Fraude en Red de Pagos B2B con GNN en Madrid
Visión general
De qué trata este proyecto.
Construye un grafo de pagos B2B, entrena un GNN contra fraudes y reduce falsos positivos. Obtén un certificado verificable.
El Briefing
Lo que harás y lo que demostrarás.
Detecta nodos sospechosos en un grafo de pagos B2B con GNN y entrega un panel con explicaciones consumible por el equipo de risk.
Earning criteria — what you'll demonstrate
- Modelar problemas de fraude como grafos con múltiples tipos de aristas
- Implementar y entrenar GNNs (GraphSAGE, GAT) sobre grafos heterogéneos
- Comparar GNN contra baseline tabular con métricas operacionales
- Diseñar paneles que el equipo de risk realmente use
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Machine Learning on Graphs
Master · Ai Ml
Fit score: 1
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 canónicosInvestigador en Aprendizaje Automático
Modelar fraude como grafo y entrenar GNNs es trabajo del ML Researcher en fintech y pagos.
Este proyecto afina
- graph-neural-networks
- graphsage
- node-classification
Científico de Datos
Comparar GNN contra baseline tabular con métricas operacionales es trabajo del Data Scientist en risk.
Este proyecto afina
- fraud-detection
- evaluation
- node-classification
Ingeniero en IA
Construir el panel con explicaciones y conectar pipeline + UI es trabajo del AI Engineer.
Este proyecto afina
- pytorch-geometric
- fraud-detection
- evaluation