Fraud Detection System

Fraud Detection System | نظام ذكي لاكتشاف عمليات الاحتيال المالي

وصف المشروع

قمت بتطوير نظام لاكتشاف الاحتيال المالي باستخدام تقنيات تعلم الآلة (Machine Learning)، بهدف تحديد المعاملات المشبوهة والتمييز بينها وبين المعاملات الطبيعية، حتى في ظل عدم توازن البيانات بين حالات الاحتيال والحالات السليمة.

يتضمن المشروع بناء Pipeline متكامل لمعالجة البيانات، وهندسة الخصائص (Feature Engineering)، ومعالجة مشكلة عدم توازن الفئات (Class Imbalance)، ثم تدريب ومقارنة عدة نماذج لاختيار النموذج الأنسب لمهمة اكتشاف الاحتيال.

أهم مميزات المشروع

- **معالجة البيانات:** تنظيف البيانات وتجهيزها للتدريب وتحسين جودة المدخلات.

- **هندسة الخصائص:** استخراج الخصائص المناسبة لتحسين قدرة النموذج على اكتشاف الأنماط الاحتيالية.

- **تدريب ومقارنة النماذج:** استخدام XGBoost وLightGBM وRandom Forest وLogistic Regression.

- **معالجة عدم توازن البيانات:** استخدام أوزان الفئات (Class Weighting) لتحسين اكتشاف حالات الاحتيال النادرة.

- **تقييم الأداء:** استخدام مقاييس Precision وRecall وF1-score لتقييم قدرة النماذج على اكتشاف الاحتيال.

- **نشر النموذج:** تطوير REST API باستخدام FastAPI لإتاحة التنبؤات واستخدام النموذج من خلال تطبيقات أخرى.

النتائج المحققة

حقق النظام 95% Recall في اكتشاف حالات الاحتيال، مع F1-score بلغ 0.76 ، مما يعكس تركيز المشروع على تقليل حالات الاحتيال التي يفشل النظام في اكتشافها، مع مراعاة التوازن بين Precision وRecall.

التقنيات المستخدمة

Python, Pandas, NumPy, Scikit-learn, XGBoost, LightGBM, Random Forest, Logistic Regression, Feature Engineering, Class Imbalance Handling, Model Evaluation, FastAPI, REST APIs.

القيمة التي يقدمها المشروع

يساعد هذا النوع من الأنظمة على تحليل المعاملات المالية واكتشاف الأنماط غير الطبيعية، بما يدعم فرق المخاطر والجهات المالية في تحديد المعاملات التي تستحق المراجعة، وتقليل الاعتماد على الفحص اليدوي وحده.

المهارات التي يعكسها المشروع: تطوير نماذج تعلم الآلة، وتحليل البيانات، واكتشاف الاحتيال، وتقييم النماذج، وبناء واجهات API لتطبيقات الذكاء الاصطناعي.