Ik bouw fraudedetectie- en kredietrisicomodellen

De meeste fraudemodellen zijn black boxes. Compliance teams, risicobeheerders en auditors moeten weten waarom een transactie werd gemarkeerd, niet alleen dat het gebeurde.

Ik ontwikkel fraudedetectiesystemen met SHAP explainability, zodat elke modelbeslissing een feature-level audit trail heeft. Verdedigbaar voor KYC/AML-rapportages, regelgevende reviews en kredietrisicocomités.

Mijn werk gebruikt XGBoost en LightGBM op onevenwichtige transactiegegevens. Ik engineer balans-drain signatures, velocity features en account deviation indicators. PR-AUC is mijn belangrijkste maatstaf, nauwkeurigheid is zinloos bij een frauderate van 1,8 procent.

Gebouwd op PaySim: 200K transacties, 31 engineered features, 0,674 PR-AUC baseline die actief verbetert. Echte FinTech domain engineering, geen speelgoednotebooks.

Diensten: binaire fraudeklassificatie, feature engineering pipeline, SHAP integratie, drempeloptimalisatie, model evaluatierapport (PR-curve, ROC, confusion matrix), FastAPI deployment blueprint.

Leveringen: Python notebook of script, getraind model artefact, SHAP plots, evaluatierapport en audit memo.

Stuur me een bericht met je datasetformaat, transactievolume, frauderate en of FastAPI deployment nodig is.