Cómo funciona
Del experimento al endpoint público
El proyecto ataca un caso extremo de desbalance de clases: menos de 0.2% de las transacciones son fraude. Por eso se optimiza PR-AUC y se valida la paridad del modelo antes de exponerlo.
01DVC
Versiona datos crudos/procesados y reproduce el pipeline.
02MLflow
Registra 7 corridas, métricas, artefactos y alias fraud-detector@staging.
03ONNX
Desacopla entrenamiento en Python de inferencia en contenedor.
04Cloudflare
Worker + Container + Durable Object exponen POST /predict.
Demo interactiva
Envía un vector de 29 features a la API
El modelo espera V1–V28 y Amount, como el dataset de fraude de tarjetas. Usa los ejemplos o pega tu propio arreglo JSON.
Contrato de la API
Endpoint desplegado: fraud-detector.eduardo-lalo1999.workers.dev
POST /predict
Content-Type: application/json
{
"features": [29 numeric values]
}
{
"probability": 0.0000021,
"prediction": 0,
"threshold": 0.9274014830589294,
"model_version": "v1"
}