FraudNet Intelligence: Neural Network Fraud Detection System

FraudNet Intelligence es un proyecto avanzado de Machine Learning y Arquitectura de Software que reemplaza el clásico "Pong AI". Utiliza una Red Neuronal implementada completamente desde cero en C++ (sin librerías externas de ML) conectada a un entorno Web interactivo de clase empresarial.

🧠 Arquitectura del Sistema

El proyecto está compuesto por tres capas principales:

1. Core de Inferencia (C++): La red neuronal (Multi-Layer Perceptron) programada desde cero usando tensores de álgebra lineal propios. Entrenada con Descenso de Gradiente, cuenta con capas densas y funciones de activación Sigmoide. Arquitectura de red: 30 inputs → 16 ocultas → 8 ocultas → 1 output.
2. Bridge API (Node.js/Express): Un servidor intermedio que recibe peticiones web en JSON, orquesta los llamados de sistema (exec) al binario C++ pre-compilado enviándole vectores matemáticos, y devuelve las predicciones al cliente.
3. Dashboard de Monitoreo (React + Vite): Una interfaz "Minimalista Premium" de altísima calidad que simula un NOC (Network Operations Center) bancario, permitiendo inyectar transacciones en tiempo real.

---

📊 Entendiendo el Dataset (Kaggle)

El sistema se alimenta de un famoso dataset real de tarjetas de crédito europeas publicado en Kaggle (284,807 transacciones).

1. Componentes Principales (PCA) y Privacidad

Por temas legales y de privacidad (GDPR), el banco no puede publicar datos sensibles (ej. Ubicación, Comercio, CVV). En su lugar, el dataset fue sometido a un algoritmo llamado PCA (Principal Component Analysis).

• Los atributos originales fueron comprimidos y transformados en 28 variables matemáticas ocultas (V1 a V28).
• A la red neuronal no le importa qué significan en la vida real. A través del entrenamiento, la IA es capaz de descubrir los patrones geométricos de estas variables en un espacio de 30 dimensiones para trazar un hiperplano que separa compras normales de transacciones fraudulentas.

2. Clases Desbalanceadas y Normalización

Originalmente, el dataset tenía un enorme desbalance (sólo 0.17% de fraudes). Si se entrena una IA con esto, sufrirá un colapso y aprenderá a decir "Aprobado" el 100% de las veces.

• Solución: Programamos el csv_loader.cpp para extraer un dataset perfectamente balanceado (50% fraudes y 50% normales).
• Además, aplicamos normalización de entrada a las columnas de Time (dividido entre 100,000) y Amount (dividido entre 1,000) para prevenir la explosión de gradientes (Gradient Explosion) que corrompía la red.

---

🎓 Dinámicas de Aprendizaje (Underfitting vs Convergencia)

Una de las características más interesantes de este proyecto es que podemos presenciar cómo "piensa" y madura la Red Neuronal modificando sus Épocas de Entrenamiento (Epochs). En el Dashboard web puedes cambiar entre tres "cerebros" matemáticos.

• Modelo de 50 Epochs (Subajustado / Underfitting): A las 50 iteraciones, el modelo es altamente paranoico. Logra atrapar casi todos los fraudes, pero sufre de muchísimos Falsos Positivos (bloquea a casi 300 tarjetas normales por error).
• Modelo de 200 Epochs (Estabilizado / Convergencia): Al darle más tiempo para ajustar sus pesos (Weights) y sesgos (Bias), la red perfecciona su margen. Reduce los Falsos Positivos a casi cero, incrementando el Accuracy por encima del 92%.

Dato Curioso: Si usas el botón "Transacción Confusa (Reto IA)" en la web, se inyecta un vector matemático Fronterizo (Borderline). El modelo de 50 Epochs se asusta y la marca como FRAUDE (falso positivo), mientras que el de 200 Epochs sabe reconocer la sutil firma y la APRUEBA. ¡El modelo 200 realmente aprendió la verdadera forma de la variedad (manifold) de fraude en vez de solo adivinar!

---

🚀 Guía de Ejecución

Para iniciar todo el proyecto, necesitas levantar las 3 capas:

1. Compilar el Motor C++ (y generar los pesos)

cd fraud_net
mkdir build
cd build
cmake ..
cmake --build .

# Entrenar y generar los 3 cerebros (esto generará archivos .bin en data/)
./fraud_net train 50
./fraud_net train 100
./fraud_net train 200

2. Levantar el Bridge API (Node.js)

Abre una nueva terminal.

cd backend
npm install
node server.js
# Deberías ver: "Backend Puente escuchando en http://localhost:3001"

3. Levantar el Frontend (React)

Abre una tercera terminal.

cd frontend
npm install
npm run dev
# Accede a http://localhost:5173 en tu navegador

🛠 Consideraciones Técnicas para la Demostración

• Asegúrate siempre de detener (Ctrl + C) y reiniciar el node server.js si haces cambios en el código C++, ya que el backend maneja las rutas hacia el binario pre-compilado.
• Si un puerto está en uso, verifica qué terminal está corriendo procesos en el puerto 3001 o 5173.