🛡️ Real-Time Fraud Detection MLOps System

Sistema de detección de fraude bancario diseñado con una arquitectura MLOps de extremo a extremo. Este proyecto demuestra la integración de modelos de Machine Learning en entornos de producción, garantizando reproducibilidad, observabilidad y escalabilidad.

---

🚀 Características del Proyecto

• Arquitectura Modular (Clean Code): Separación estricta entre entrenamiento (src/train.py), lógica de inferencia (src/predict.py) y servicio web (api/main.py).
• Tracking de Experimentos: Gestión completa del ciclo de vida del modelo con MLflow, registrando hiperparámetros y métricas como F1-Score y Precision-Recall.
• Inferencia de Baja Latencia: Implementación con XGBoost y FastAPI, optimizada para procesamiento en tiempo real.
• Contenedores de Grado de Producción: Configuración con Docker y Docker Compose para un despliegue agnóstico al entorno.
• Validación de Esquemas: Uso de Pydantic para garantizar la integridad de los datos de entrada.

---

🛠️ Instalación y Ejecución

Clonar el repositorio

git clone https://github.com/Gilberto-Galan/fraud-detection-mlops.git

cd fraud-detection-mlops

Crear entorno virtual

python -m venv venv source venv/bin/activate # En Windows: .\venv\Scripts\activate

Instalar dependencias con versiones fijas para evitar conflictos

pip install -r requirements.txt

Ciclo de Entrenamiento

El script genera automáticamente un dataset de prueba si no existe y registra el experimento:

python src/train.py

Despliegue con Docker (API + UI)

La forma más robusta de ejecutar el sistema completo:

docker-compose up --build

Swagger UI (API Docs): http://localhost:8000/docs

MLflow Dashboard: http://localhost:5000

🧪 Testing y Validación

Garantizamos la estabilidad del sistema mediante pruebas automáticas:

Ejecutar tests unitarios

pytest tests/

Prueba de predicción manual (CURL)

  'http://localhost:8000/predict' \
  -H 'Content-Type: application/json' \
  -d '{ "features": [0.5, -1.2, 3.4, 0.1, 0.9, -0.4, 1.1, 2.2, -0.1, 0.5] }'```