Detección de fraude en cajas
Tres enfoques de machine learning combinados —supervisado, clustering y anomalías— sobre los arqueos de caja de cientos de tiendas.
El problema
Auditar arqueos de caja de cientos de tiendas a mano no escala: las anomalías se detectan tarde o se pierden 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 operaciones país, integrado al portal del Lab.
Stack
- Python
- scikit-learn
- XGBoost
- Streamlit
- LangChain
- Plotly
- Docker
Proyecto interno de Blue Star Group — el código no es público.
Siguiente proyecto: TeamSync →