Em um projeto de último ano, treinei seis modelos para detecção de fraude usando dois conjuntos de dados públicos: PaySim (dinheiro móvel) e IEEE-CIS (transações com cartão). Apesar de alcançar alta precisão, o modelo com melhor desempenho não foi implantado devido a restrições de produção. O modelo implantado usa apenas três características: valor da transação, canal codificado one-hot e conjunto de dados de origem, porque os conjuntos de dados não tinham campos comuns.

O tratamento do desequilíbrio de classes exigiu SMOTE, mas um método de interpolação alternativo foi usado para implantação. O projeto destacou uma lacuna entre métricas offline e decisões de produção no mundo real. O melhor modelo, provavelmente XGBoost, foi superado na prática por um modelo mais simples que generalizou melhor.

Essa experiência me ensinou que a seleção de modelos deve considerar a viabilidade de implantação, não apenas métricas de desempenho.