Caso de estudio
FraudIA Claims · Detección de Fraude ML
Prototipo funcional diseñado para el reto de Aseguradora del Sur para identificar, evaluar y clasificar anomalías en siniestros con explicabilidad completa.
- Python
- scikit-learn
- React
- FastAPI
- Convex
01
Resumen
El sistema integra un modelo supervisado con Random Forest, reglas heurísticas de negocio y un dashboard web para análisis pericial sin desestimar automáticamente reclamaciones.
02
El reto
Detectar patrones de fraude complejos en volúmenes masivos de siniestros, minimizando falsos positivos que afecten a asegurados legítimos.
03
La solución
Arquitectura híbrida de machine learning con explicabilidad detallada por siniestro, API en FastAPI, almacenamiento reactivo en Convex y UI moderna con React y Tailwind.
04
Resultados
Priorización eficiente de siniestros de alto riesgo, auditoría asistida por agente de consulta en lenguaje natural y reducción drástica de tiempos de revisión.
05
Galería del proyecto
Las imágenes definitivas del proyecto se añadirán próximamente.