Système de détection de fraude financière temps réel — XGBoost + FastAPI + Claude Haiku + Streamlit | West African Mobile Money fraud detection
# Fraud Detection — Fintech Afrique de l'Ouest
Système complet de détection de fraude financière pour le marché **Mobile Money** en Afrique de l'Ouest, combinant machine learning (XGBoost) et analyse IA (Claude Haiku).
---
## Contexte & problématique
Le Mobile Money (Orange Money, Wave, MTN MoMo) est le principal mode de paiement en Afrique de l'Ouest, mais reste exposé à la fraude internationale : transactions nocturnes vers des corridors à risque (Sénégal → Russie, Chine, Dubaï), montants anormaux pour le marché local. Ce système détecte ces patterns **en temps réel** et génère un rapport d'analyse en langage naturel via LLM.
---
## Demo
### Dashboard temps réel (Streamlit)
### API REST documentée (Swagger UI)
---
## Architecture
```
PostgreSQL (transactions)
│
▼
ml/fraud_model.py ──► XGBoost + LabelEncoders ──► MLflow (tracking)
│ │
│ ml/fraud_model.pkl
│ │
▼ ▼
domain/ (règles métier partagées : nuit, gros_montant, international)
│
infrastructure/ (adapters : XGBoost, OpenRouter, Postgres)
│
FastAPI :8001 (composition root)
┌─────────┴──────────┐
POST /predict GET /stats
│ GET /transactions
PredictFraudUseCase
│
Claude Haiku (rapport LLM)
│
Streamlit :8501 (dashboard)
```
Architecture hexagonale (ports & adapters) : `domain/` porte la logique métier pure, `application/` orchestre les cas d'usage, `infrastructure/` fournit les adapters concrets (ML, LLM, DB), `api/main.py` assemble le tout au démarrage. Détails dans `CLAUDE.md`.
---
## Stack technique
| Outil | Rôle |
|-------|------|
| **PostgreSQL** (Docker) | Stockage des transactions (users → comptes → transactions) |
| **XGBoost** | Classification binaire fraude/normal |
| **MLflow** | Tracking des expériences, versioning du modèle |
| **FastAPI** | API REST — predict / stats / transactions |
| **Claude Haiku** (OpenRouter) | Rapport d'analyse en langage naturel |
| **Streamlit** | Dashbo …