• See : https://app.jedha.co/course/final-projects-l/automatic-fraud-detection-l
• Mlflow Tracking server : https://fraud-202406-70e02a9739f2.herokuapp.com/

Use a model in production to predict fraudulent payment in real-time and respond appropriately.

This mean :

1. Create a model to predict fraudulent payment in real-time

   • At this point the "performances" of the model is NOT so important
   • Can we plug a new model easily ?
   • How do we monitor model accuracy over time ?
   • What about if it drift ? Again can we plug a new model easily?
   • Faut penser à faire une mini EDA (2500 fraud sur 500 000 lignes)

2. Create an infrastructure that ingest real-time payment

   • What if the number of payments is increase by 10x
   • How the archi scale ?
   • Faut prévoir de consommer les données par batch de N transactions à vérifier à chaque fois
     • En effet faire une prédiction une après l'autre est très lent
   • Pour la sauvegarde dans la base (Store Data ci-dessous)
     • Faut sauver toutes les données reçues de l'API
     • Plus une colonne "prediction" avec l'inférence du modèle
     • Plus une colonne "true value" qui sera remplie plus tard après vérification (si elle a lieu)
       • Quand la vérification est faite il faut envoyer la ligne supplémentaire au jeu de trainning
       • Permet d'enrichir le modèle pour le prochain entrainement

3. Classify each payment

4. Send the prediction in real-time to a notification center

   • email ?

A Powerpoint set of slides explaining

• the architecture
• the choices
• the use cases
  • performances in terms of scalability
  • Can we unplug-plug new predictions model easily?
  • drifiting monitoring?
  • ...
• Can we demonstrate the project in realtime in some way ?
  • Video ?

├───00_mlflow_tracking_server
│   └───assets
├───01_images_for_model_trainers
│   └───01_sklearn_trainer
├───02_train_code
│   └───01_sklearn
│       ├───01_minimal
│       │   ├───assets
│       │   └───img
│       └───02_template
│           ├───assets
│           └───img
├───98_EDA
├───99_tooling
│   ├───01_client_predict
│   │   ├───app
│   │   └───assets
│   ├───02_API_test
│   └───03_combine_train_and validated
├───assets
└───data 

• 00_mlflow_tracking_server : everything needed to build & deploy mlflow tracking server. There is a readme.md
• 01_images_for_model_trainers : everything needed to build docker images where the model to be trained will run. There is a readme.md
  • 01_sklearn_trainer :
• 02_train_code
  • 01_sklearn
    • 01_minimal
    • 02_template
• 98_EDA : quick EDA (jupyter notebook)
• 99_tooling
  • 01_client_predict : demonstrates how to make a prediction using python
  • 02_API_test : demonstrates how to get simulatated transactions with the API
  • 03_combine_train_and validated : demonstrates how to combine 2 dataframe : initial training dataset and a dataframe containing some additional validated data
• assets : png, pptx
• data : local copy of the dataset

• Demo color : your text
• Let's try to create a readme.md in every directory
  • In this case, create an assets directory where to store the .png files of the readme.md
• Link to the mlflow tracking server : https://fraud-202406-70e02a9739f2.herokuapp.com/