// Proyecto · Deep Learning · Detección de anomalías
Un autoencoder entrenado exclusivamente sobre transacciones legítimas aprende qué es "normal". Cuando una transacción no encaja con ese patrón, el error de reconstrucción la delata. PR-AUC 0.37 frente a 0.11 del baseline de Isolation Forest. Sin etiquetas de fraude necesarias.
// Métricas del modelo
El problema
Escasez de ejemplos fraudulentos. En datasets reales, el fraude representa menos del 0.2% de las transacciones. Entrenar un clasificador supervisado con tan pocos positivos produce modelos que ignoran la clase minoritaria.
Métricas engañosas. Un modelo que clasifica todo como "legítimo" consigue 99.8% de accuracy. Sin PR-AUC como métrica primaria, es fácil reportar resultados excelentes sobre un modelo inútil.
Data leakage silencioso. Escalar los datos con un StandardScaler ajustado sobre el conjunto completo (incluyendo test) infla artificialmente los resultados. La separación limpia es más difícil de lo que parece.
Modelos no portables. Un modelo PyTorch en un notebook no es un modelo desplegable. Sin export verificado a ONNX, el camino a producción está bloqueado.
PASO 01
El autoencoder aprende a comprimir y reconstruir transacciones legítimas. Split estratificado 70/15/15 con assertions que verifican que el StandardScaler se ajusta solo sobre train — sin data leakage.
PASO 02
En inferencia, el modelo intenta reconstruir la transacción. Las legítimas encajan bien (error bajo); las fraudulentas, que el modelo nunca aprendió, producen error alto. El umbral separa ambas distribuciones.
PASO 03
PR-AUC como métrica primaria para datos desbalanceados, comparado contra Isolation Forest (baseline). Resultado: 0.37 vs 0.11 — mejora de 3× sin etiquetas de fraude en entrenamiento.
PASO 04
Modelo exportado a ONNX y verificado numéricamente contra PyTorch (diferencia máxima <1e-5). Demo React+Vite ejecuta el modelo idéntico en el navegador sin instalación, vía ONNX Runtime Web.
El mismo modelo viaja desde entrenamiento en PyTorch hasta una demo en el navegador, pasando por un export ONNX verificado numéricamente.
Tecnologías
El modelo aprende solo de datos legítimos. Esto lo hace adaptable a nuevos tipos de fraude que los clasificadores supervisados no habrían visto durante entrenamiento.
Uso de la métrica correcta para datos desbalanceados, con separación limpia de datos garantizada por assertions en código. Sin inflación artificial de resultados.
El modelo no se queda en el notebook. Export ONNX verificado numéricamente, ejecutable tanto en servidor como en cliente sin dependencias Python.
Los resultados se comparan contra Isolation Forest (baseline estándar para detección de anomalías) y Regresión Logística supervisada, mostrando el tradeoff real del enfoque no supervisado.
Relevante si...
Menos relevante si...
Proyectos relacionados
Clasificación de transacciones en dos niveles. 96.1% de precisión, 95.6% menos coste que enviar todo al LLM.
Ver caso completo → TensorFlow · OpenCV · TF.jsEmociones en tiempo real con índice de receptividad 0–10. Demo web sin instalación.
Ver caso completo →Contacto
30 minutos. Sin compromiso. Si veo que puedo ayudarte, te lo digo. Si no, también.
Agendar videollamada →