Como criei um detector de fraudes bancárias com Python e Machine Learning.
Quando estudamos Ciência de Dados e Inteligência Artificial, um dos desafios mais interessantes é sair da teoria e resolver problemas reais do mercado financeiro. Recentemente, desenvolvi um protótipo de **Detecção de Fraudes em Cartões de Crédito** utilizando **Python**, **Pandas** e **Scikit-Learn** diretamente pelo Google Colab.
Neste artigo, compartilho como estruturei o modelo e uma lição importante sobre **viés nos dados** que descobri durante os testes.
---
### 1. O Problema de Negócio
Sistemas bancários antigos costumam usar regras fixas (como *"bloquear qualquer compra acima de R$ 3.000"*). Na prática, isso gera dois problemas:
* **Falsos Positivos:** Bloqueio de clientes legítimos fazendo compras altas durante o dia.
* **Falsos Negativos:** Golpistas passando valores baixos de madrugada para testar cartões clonados sem disparar alertas.
O objetivo foi treinar uma **Árvore de Decisão (`DecisionTreeClassifier`)** para aprender padrões combinando o **valor** e o **horário** da transação.
---
### 2. A Descoberta no Teste de Estresse (Versão 1 vs. Versão 2)
Na **Versão 1**, treinei o modelo com uma amostra inicial e decidi plotar a árvore com o `Matplotlib` para auditar como a IA estava tomando decisões.
Foi aí que encontrei uma falha crítica: o algoritmo criou apenas uma regra (`valor <= 1550.0`) e **ignorou completamente o horário da compra**. Como resultado, ele bloqueou uma compra legítima de R$ 3.500 às 14h e aprovou uma tentativa de fraude de R$ 150 às 3h da madrugada.
**Como resolvi (Versão 2):**
Enriqueci o dataset de treino com cenários mistos (compras altas diurnas e compras baixas de madrugada). Ao retreinar o modelo, a Árvore de Decisão passou a cruzar **horário + valor**, acertando as previsões no teste de estresse.
---
### 3. Código e Repositório
Todo o notebook interativo (com botão *Open in Colab*) está disponível no meu GitHub para quem quiser testar ou evoluir o projeto:
👉 **Acesse o projeto no GitHub:** https://github.com
---
**Principais aprendizados:** Em Machine Learning, um modelo só é tão bom quanto a qualidade e variedade dos dados que entregamos a ele. Auditar como a IA toma decisões (*Explainable AI*) é essencial antes de colocar qualquer solução em produção.



