Générer des transactions synthétiques pour tester la détection de fraude sans exposer de données réelles
Aperçu
En quoi consiste ce défi.
Générez des transactions synthétiques pour tester la détection de fraude sans exposer de données réelles et obtenez un certificat vérifiable.
Le brief
Ce que vous ferez, et ce que vous démontrerez.
Concevoir et évaluer un générateur profond de séquences de transactions synthétiques suffisamment réaliste pour stress-tester la détection de fraude, tout en limitant le risque qu'un enregistrement synthétique puisse être relié à un client réel.
Earning criteria — what you'll demonstrate
- Implémenter un modèle génératif de séquences (autoregressif ou GAN) adapté à des données de transaction structurées
- Évaluer un compromis explicite entre utilité statistique et risque de confidentialité d'un jeu de données synthétique
- Mesurer l'impact de données synthétiques sur la performance d'un modèle aval de détection de fraude
- Traduire des résultats techniques en recommandation de gouvernance pour une décision de mise en production réglementée
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 Protection Officer
Ce défi confronte directement à l'arbitrage entre utilité analytique et protection des données personnelles, cœur du travail d'un responsable de la protection des données évaluant des solutions techniques de confidentialité.
Ce défi renforce
- ai-governance-frameworks
- ai-bias-awareness
- anomaly-detection
Risk Analyst
Comparer la performance d'un détecteur de fraude sur données réelles et synthétiques développe les réflexes d'un analyste risques chargé de valider des modèles avant mise en production.
Ce défi renforce
- anomaly-detection
- adversarial-concepts
- ai-bias-awareness
MLOps Engineer
La construction d'un pipeline de génération et de validation de données synthétiques avant déploiement prépare aux responsabilités d'un ingénieur MLOps garantissant la fiabilité des modèles en production.
Ce défi renforce
- autoregressive-sequence-modeling
- adversarial-concepts
- ai-governance-frameworks