Diseñé e implementé un módulo transaccional que captura los datos de cada transferencia (destinatario, monto, frecuencia, dispositivo) y los envía de forma asíncrona al pipeline de evaluación de riesgo. El feature engineering extrae variables comportamentales del cliente — como promedios históricos, patrones de horario y grafos de relación entre cuentas — que alimentan el modelo predictivo de detección de fraude en milisegundos, sin impactar la experiencia del usuario.

Implementé un modelo de Machine Learning (gradient boosting + redes neuronales) que calcula un score de riesgo en tiempo real para cada transacción. Cuando el score supera el umbral configurado, el sistema bloquea preventivamente la operación y activa una verificación de múltiples factores (MFA) mediante tokens de seguridad. Los factores evaluados incluyen desviación del monto respecto al comportamiento habitual, ausencia de relación previa con el destinatario y superación de umbrales dinámicos — reduciendo el fraude transaccional de manera significativa sin generar fricción en operaciones legítimas.