Problème
Les environnements de transactions à grande échelle génèrent du bruit autour des événements à forte demande. Les anomalies — taux de refus élevés, tendances inhabituelles des appareils, pics de volume soudains — peuvent signaler une fraude coordonnée, mais sont difficiles à identifier et à retracer en temps réel sans investigation structurée.
Le déclencheur d'investigation : « Quelque chose semble anormal ce soir. » Le défi est de passer de ce signal vague à une recommandation traçable et actionnable sans invitation humaine à chaque étape d'investigation.
Concept produit
Un flux d'investigation multi-étapes autonome qui reçoit un signal d'anomalie vague, établit une ligne de base, cible des tendances d'activité spécifiques, attribue les comportements à des empreintes d'appareils et produit une recommandation de liste de blocage traçable — sans intervention humaine à chaque étape.
Le système est conçu pour rendre les étapes d'investigation visibles et auditables, pas seulement le résultat final.
Fonctionnement du système
- Reçoit un signal d'anomalie initial (taux de refus élevé observé dans la Zone 3)
- Établit une ligne de base sur 5 000 transactions synthétiques (taux de refus global de l'événement : 11,8 %)
- Détecte la Zone 3 avec un taux de refus de 48,6 % contre la moyenne de 11,8 %
- Cible l'investigation sur l'activité de revente de billets
- Identifie trois empreintes d'appareils derrière 214 des 222 refus dans la Zone 3
- Isole la fenêtre d'anomalie : 17 h 30 à 17 h 59 UTC
- Calcule 37 159 $ de volume frauduleux tenté (données synthétiques uniquement)
- Produit une recommandation de liste de blocage avec des étapes d'agrégation traçables
Flux conceptuel principal
Le diagramme ci-dessous est une illustration conceptuelle du flux système. Il ne reproduit pas de documentation interne.
Ma contribution
- Définition du concept produit et de l'architecture du flux d'investigation multi-étapes
- Prise des décisions finales d'architecture pour le système d'agents
- Intégration de l'agent avec Google ADK, Gemini sur Vertex AI et MongoDB MCP Server
- Tests du flux sur des scénarios de transactions synthétiques
- Déploiement sur Cloud Run et soumission de la participation
Une assistance substantielle de Claude et ChatGPT a été utilisée pendant le développement. L'auteur est responsable de la définition produit, de la conception du flux, des décisions finales d'architecture, de l'intégration, des tests, du déploiement et de la soumission.
Implémentation technique
- Google ADK — cadre d'orchestration d'agents
- Gemini sur Vertex AI — couche de raisonnement LLM
- MongoDB MCP Server / Atlas — intégration de source de données
- Cloud Run — déploiement conteneurisé
- React — interface frontend
Preuves et validation
Labels de preuve
- Toutes les données de transaction sont synthétiques — aucun numéro de carte réel, identité client ou événement de fraude réel
- Le chiffre de 37 159 $ de volume frauduleux est entièrement dérivé de données synthétiques
- Les résultats sont traçables vers des requêtes d'agrégation visibles dans le système
- Le flux produit une recommandation ; l'exécution nécessiterait une révision et une autorisation humaines séparées
- Dépôt public disponible au lien ci-dessous pour inspection du code
Limites et transparence
- Données synthétiques : les résultats reflètent des tendances dans des données fabriquées, pas des scénarios de fraude réels
- Aucune intégration de système de paiement réel : le flux n'est pas connecté à une infrastructure de transactions en direct
- Aucune utilisation en production : le flux n'a pas été utilisé dans une investigation de fraude réelle
- Assistance IA substantielle pendant le développement : Claude et ChatGPT ont contribué au code et à l'architecture ; l'auteur est responsable de la définition produit, de la conception du flux, des décisions finales d'architecture, de l'intégration, des tests, du déploiement et de la soumission
- Aucune mention de finaliste, statut de gagnant ou récompense n'est revendiquée