Real-Time Fraud Detection
Pipeline de detecção de fraude em tempo real: transações entram por um tópico Kafka, um serviço calcula features por usuário, um modelo XGBoost dá o score de risco e tudo é gravado no PostgreSQL — este painel lê o resultado ao vivo.
Dados 100% sintéticos. O feed vem de um simulador com o relógio acelerado: os horários dos eventos são simulados; latência, janelas e alertas usam o relógio real. Não use este modelo com dados financeiros reais.
Agora
Transações ao vivo
Mais recentes primeiro. “Rótulo” é a verdade-terreno do simulador — em produção real ele só chegaria dias depois.
| Hora | Usuário | Categoria | Cidade | Valor | Score | Decisão | Rótulo |
|---|---|---|---|---|---|---|---|
| Aguardando transações… | |||||||
Operação últimos 15 min
Transações por minuto
Ver como tabela
Distribuição dos scores escala logarítmica
Ver como tabela
Qualidade do modelo
Avaliação offline conjunto de teste, split temporal
PR-AUC por modelo o servido em destaque
Ao vivo, contra o rótulo do simulador últimos 15 min
Como o feed é sintético, sabemos a resposta certa: dá para medir o modelo em “produção” — o mesmo que o monitoramento real faria quando os rótulos chegassem.
Monitoramento de drift últimos 60 min
PSI (Population Stability Index) de cada feature contra a distribuição do treino. Acima de 0,2 = deslocamento relevante. A janela cobre vários “dias” simulados para a sazonalidade por hora não virar alarme falso.
Ver todas as features como tabela
Experimente
Monte uma transação e veja o score. Simula um usuário com histórico em São Paulo, gasto típico de R$ 70 e maior compra recente de R$ 300. Nada disso é gravado no pipeline.