Sistema de Probabilidade de Inadimplencia

Aplicacao web em JavaScript que treina uma rede neural com TensorFlow.js e calcula a probabilidade de inadimplencia a partir de um documento (CPF/CNPJ).

Objetivo

Demonstrar um fluxo completo de Machine Learning no front-end:

• carregamento de dados de treino em JSON;
• treinamento de modelo no navegador (Web Worker + TensorFlow.js);
• predicao de risco para perfis PF e PJ;
• explicacao dos principais fatores que elevam ou reduzem o risco.

Funcionalidades

• Treinamento manual do modelo via botao Treinar Modelo.
• Atualizacao de progresso de treino e logs por epoca.
• Predicao por documento (aceita CPF/CNPJ com ou sem mascara).
• Classificacao de risco em baixo, medio ou alto.
• Exibicao de fatores explicativos (impacto e severidade).
• Integracao com tfjs-vis para visualizacao do treino.

Demonstracao das Telas

Tela principal do sistema:

Tela de treinamento do modelo:

Tela de resultado da probabilidade:

Stack

• JavaScript (ES Modules)
• TensorFlow.js
• Web Workers
• Bootstrap 5
• BrowserSync (script de desenvolvimento)

Estrutura do Projeto

• index.html: layout principal da aplicacao
• style.css: estilos da interface
• src/index.js: ponto de entrada e injecao de dependencias
• src/controller/: orquestracao de treino, preditor, worker e tfjs-vis
• src/view/: renderizacao de UI (treino, entrada, resultado e visor)
• src/service/RiskProfileService.js: acesso aos dados e normalizacao de documento
• src/workers/modelTrainingWorker.js: treino/predicao com TensorFlow.js
• src/events/: barramento de eventos da aplicacao
• data/risk-training.json: base de treino com rotulo labelInadimplente
• data/risk-profiles.json: base de perfis para consulta

Como Executar

Opcao 1: script do projeto

1. Instale as dependencias:

npm install

2. Inicie o servidor de desenvolvimento:

npm start

3. Abra:

http://localhost:3000

Opcao 2: tarefa do VS Code

No workspace existe a task Start Default Probability System, que executa npm start e sobe o projeto na porta 3000.

Fluxo de Uso

1. Clique em Treinar Modelo.
2. Aguarde a mensagem de treino concluido.
3. Informe um CPF/CNPJ presente em data/risk-profiles.json.
4. Clique em Calcular Probabilidade.
5. Analise probabilidade, nivel de risco e fatores explicativos.

Modelo de Machine Learning

• Tipo: rede neural densa (tf.sequential).
• Entrada: 13 features numericas normalizadas (0-1).
• Arquitetura: Dense(32, relu) -> Dense(16, relu) -> Dense(1, sigmoid).
• Treino: adam(0.01), binaryCrossentropy, accuracy, epochs=80, batchSize=16.
• Saida: probabilidade de inadimplencia entre 0 e 100%.

Regra de classificacao:

• < 0.33: baixo
• >= 0.33 e < 0.66: medio
• >= 0.66: alto

Formato dos Dados

Campos utilizados no modelo:

• age
• income
• companyYears
• paymentHistoryScore
• previousDelays
• creditUtilization
• monthlyRevenue
• debtRatio
• cashFlowScore
• averageTicket
• churnRate
• mrr
• customerCount

No arquivo de treino, cada registro tambem deve conter:

• labelInadimplente (0 ou 1)

Observacoes

• A consulta de risco so funciona apos o treinamento.
• Se o documento nao existir na base de perfis, a interface mostra erro.
• O projeto e educacional e usa base local em JSON (sem persistencia em backend).