Análise de Crédito com Aplicação Web

Projeto completo de Machine Learning para análise de risco de crédito, que simula o processo de decisão de instituições financeiras por meio de uma arquitetura em três camadas. A solução integra banco de dados PostgreSQL, uma API REST para inferência de modelos de aprendizado de máquina e uma interface web interativa, permitindo predições em tempo real, explicabilidade das decisões e deploy automatizado em ambientes locais e na Azure.

Aplicação completa de Machine Learning para análise de risco de crédito, desenvolvida com arquitetura em três camadas e preparada para ambientes de desenvolvimento e produção.

Descrição do Projeto

Este projeto implementa um sistema de análise de crédito que simula o processo de avaliação de risco adotado por instituições financeiras. A solução utiliza modelos de aprendizado de máquina para prever a probabilidade de inadimplência com base em dados pessoais e financeiros dos clientes.

A aplicação contempla todo o ciclo de vida do modelo, incluindo extração de dados, pré-processamento, treinamento, inferência, explicabilidade e disponibilização via API e interface web.

Arquitetura do Sistema

PostgreSQL (Dados)
        |
        v
API REST (Flask + Modelo de Machine Learning)
        |
        v
Interface Web (Streamlit)

A arquitetura em três camadas promove separação de responsabilidades, escalabilidade e facilidade de manutenção.

Fluxo de Dados

Extração de dados via consultas SQL complexas no PostgreSQL
Limpeza, normalização e engenharia de atributos
Treinamento de modelo de classificação binária
Exposição do modelo por meio de API REST
Consumo das predições pela interface web

Modelo de Machine Learning

O modelo principal é uma rede neural densa para classificação binária, projetada para identificar risco de crédito.

Arquitetura: 4 camadas densas (128 → 64 → 32 → 1)
Função de ativação: ReLU e Sigmoid
Regularização: Dropout de 30%
Otimizador: Adam
Seleção de atributos: Recursive Feature Elimination (RFE)

Pipeline de Processamento de Dados

Tratamento de valores nulos
Correção de inconsistências textuais com fuzzy matching
Engenharia de atributos personalizados
Normalização com StandardScaler
Codificação de variáveis categóricas
Remoção de outliers baseada em critérios estatísticos

API REST

A API foi desenvolvida em Flask e disponibiliza um endpoint para predições em tempo real, recebendo e retornando dados no formato JSON.

Endpoint principal: /predict
Pré-processamento automático
Compatível com containerização

Interface Web

A interface web foi construída com Streamlit, oferecendo uma experiência simples e objetiva para inserção de dados e visualização dos resultados das predições.

Explicabilidade

O projeto incorpora técnicas de explicabilidade de modelos para garantir transparência nas decisões, utilizando LIME e SHAP para análise das variáveis mais relevantes em cada predição.

Opções de Deploy

Ambiente Local

python local-deploy.py local
python local-deploy.py docker
python local-deploy.py check

Azure Virtual Machines

python azure-deploy.py deploy
python azure-deploy.py info
python azure-deploy.py cleanup

Azure Container Instances

python azure-aci-deploy.py deploy
python azure-aci-deploy.py info
python azure-aci-deploy.py cleanup

Integração Contínua e Deploy Contínuo

O projeto utiliza GitHub Actions para execução automática de testes, build de containers e deploy em ambientes Azure a cada push na branch principal.

Tecnologias Utilizadas

Python, PostgreSQL, Flask, Streamlit, TensorFlow, Keras, Scikit-learn, Pandas, NumPy, LIME, SHAP, Docker, Docker Compose, GitHub Actions, Azure Virtual Machines, Azure Container Instances, SQL

Considerações Finais

Este projeto representa uma solução completa de análise de crédito, combinando boas práticas de Machine Learning, Engenharia de Software e MLOps. A arquitetura foi projetada para suportar evolução contínua, novos modelos e integração com ambientes corporativos.