Detecção de Fraude no Seguro

Projeto desenvolvido na cloud Microsoft Azure, integrando Azure DevOps e Azure Machine Learning com o objetivo de criar um modelo preditivo para prevenção de fraudes em seguros veiculares, assegurando que todo o ciclo de vida dos modelos, desde o treinamento até o monitoramento em produção, seja gerenciado de forma automatizada e eficiente.

O modelo é projetado para detectar irregularidades no acionamento de sinistros, considerando aspectos como:

1. Ingestão & qualidade de dados

   • Rotas: sinistros (FNOL), histórico de apólices, perfil do segurado, oficinas credenciadas, vistorias, telemetria e BO.

   • Testes de dados no CI (Great Expectations) e regras de PII (Purview + mascaramento).

2. Feature Store / Engenharia

   • Tabelas de features com versionamento: frequência de sinistros, discrepâncias de orçamento, padrão de oficina, anomalias de horário/local, relacionamentos e embeddings (texto de relato/vistoria).

3. Treino & seleção de modelos

   • Modelagem supervisionada (fraude=1, não-fraude=0): LightGBM/XGBoost/CatBoost; baseline com Azure AutoML (Classification).

   • Desbalanceamento: class weights, focal loss, SMOTE/SMOTETomek (avaliar leakage!), threshold moving.

   • Anomalia complementar: Isolation Forest, Autoencoders (Keras em AML), e/ou detecção gráfica.

4. Avaliação

   • Temporal split (treina no passado, valida em janelas recentes).

   • Métricas primárias: AUCPR, Recall@k, F1, Cost-Sensitive Utility (matriz de custo: falso positivo = custo inspeção; falso negativo = prejuízo do sinistro).

   • Curva de ganhos / expected savings vs. limiar de decisão.

5. Registro e aprovação

   • Registrar no Model Registry (versões, datasets, código, métricas, SHAP).

   • Gates manuais/automáticos no CD (só promove se AUCPR/KS/PSI OK).

6. Deploy

   • Tempo real: Managed Online Endpoint (inference server + autoscaling) para triagem de sinistros no FNOL (p99 < 100–200ms).

   • Lote: Batch Endpoint ou AML Pipeline noturno para fila de auditoria.

7. Monitoramento pós-deploy

   • Data/Concept Drift (PSI/JS Divergence), prediction drift, calibration drift.

   • Métricas de serviço (latência, throughput, taxa de erro) + A/B.

   • Fechamento de loop: feedback da auditoria/indenização rotulando casos e re-treino periódico (weekly/monthly).