Fabriquer des transactions synthétiques pour tester la fraude
Aperçu
En quoi consiste ce défi.
Construisez un générateur de transactions synthétiques conditionnable sur la fraude, puis évaluez sa fidélité et son utilité. Obtenez un certificat vérifiable.
Le brief
Ce que vous ferez, et ce que vous démontrerez.
Comment produire un jeu de transactions financières artificielles suffisamment réaliste pour entraîner un détecteur de fraude, tout en garantissant qu'aucune ligne générée ne permette de remonter à un client réel ?
Earning criteria — what you'll demonstrate
- Entraîner et diagnostiquer un modèle génératif sur données tabulaires, en transposant les notions de modèles génératifs vues en cours hors du cadre habituel des images
- Construire un protocole d'évaluation d'un modèle génératif qui ne se limite pas à l'inspection visuelle des distributions
- Comprendre et mesurer le compromis entre utilité des données synthétiques et risque de mémorisation d'exemples d'entraînement
- Traiter le déséquilibre extrême de classes en génération conditionnelle sans produire une classe minoritaire dégénérée
- Formuler des garanties et des limites en langage compréhensible par une équipe non technique
Adéquation au programme
Où cela s'inscrit dans votre cursus.
Renforce les mêmes compétences que celles attendues par votre diplôme.
Cursus associés bientôt disponibles.
Compétences
Les compétences que vous démontrerez.
Chacune apparaît sur votre certificat vérifié.
Débouchés
Les métiers auxquels ce défi vous prépare.
De vrais intitulés. De vraies passerelles de compétences. Choisissez celui qui se rapproche le plus de votre trajectoire.
Les parcours de carrière que ce défi construit
Métiers de référenceData Scientist
Vous aurez modélisé des données financières déséquilibrées, construit un protocole d'évaluation à trois volets et défendu vos conclusions face à une contrainte juridique. C'est le quotidien d'un data scientist dans un contexte régulé où la donnée ne circule pas librement.
Ce défi renforce
- generative-models
- anomaly-detection
- model-validation
ML Researcher
Le défi demande de comparer plusieurs familles de modèles génératifs et de mesurer un compromis utilité-confidentialité, c'est-à-dire de concevoir une expérience qui répond à une question ouverte plutôt que d'appliquer une recette connue.
Ce défi renforce
- generative-models
- model-calibration
- model-validation
AI Engineer
Vous livrez un générateur appelable en une ligne par une équipe tierce, avec ses garanties documentées. Emballer un modèle en composant réutilisable et en assumer les limites est exactement ce qu'on attend d'un ingénieur en intelligence artificielle.
Ce défi renforce
- generative-models
- feature-engineering
- model-calibration