Detección de fraude en cajas
Detecta faltantes y comportamientos raros en los cierres de caja de cientos de tiendas, combinando tres enfoques de machine learning.
El problema
Auditar a mano los cierres de caja de cientos de tiendas no escala: lo raro se detecta tarde o se pierde entre miles de transacciones.
Qué hice
Construí el sistema completo: modelos supervisados (Random Forest y XGBoost con búsqueda de hiperparámetros, selección de features y validación cruzada), clustering K-Means con similitud coseno e Isolation Forest para anomalías, más una capa conversacional con LangChain. Versioné los modelos entrenados con metadatos de performance — MLOps pragmático — y escribí el instructivo de deployment.
Qué resultó
En producción en dos países, integrado al portal interno de IA.
Cómo detecta
- Cierres de caja de cientos de tiendasEntrada
- Modelos supervisadosRandom Forest y XGBoost
- Clustering K-MeansSimilitud coseno
- Isolation ForestAnomalías sin etiquetar
- Capa conversacionalLangChain
- Anomalías detectadasSalida
Tres enfoques sobre los mismos arqueos: el supervisado encuentra lo que ya se sabe reconocer, el clustering agrupa comportamientos y el detector de anomalías marca lo que no se parece a nada. La capa conversacional permite preguntar por qué.
Stack
- Python
- scikit-learn
- XGBoost
- Streamlit
- LangChain
- Plotly
- Docker
Proyecto interno de Blue Star Group — el código no es público.
Siguiente proyecto: TeamSync →