ojuri
Plataforma open source de detección de fraude en tiempo real con decisiones XGBoost, reentrenamiento consciente de deriva y investigaciones automatizadas mediante LLMs. Arquitectura multi-agente que mantiene los datos en infraestructura propia.
Ficha actualizada 27 sept 2026, 23:11 · upstream 27 sept 2026, 23:04 · release v1.6.0
Qué es ojuri
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
Ojuri es una solución de detección de fraude auto-alojada que evalúa transacciones en tiempo real utilizando modelos XGBoost para decisiones inmediatas. El sistema está diseñado para ejecutarse completamente en la infraestructura del cliente, garantizando que los datos de transacción nunca abandonen el entorno local y eliminando costes por llamada o dependencias de SaaS.
La arquitectura se basa en cuatro servicios principales: RDA (Rapid Decision Agent) responde a las peticiones API en milisegundos utilizando reglas y modelos ONNX; PAA (Payment Analysis Agent) construye perfiles comportamentales mediante grafos y velocidad de transacciones almacenados en Redis; MLA (Model Learning Agent) monitorea la deriva del modelo y gestiona el reentrenamiento automático; y FIA (Fraud Investigation Agent) genera informes de investigación detallados para transacciones rechazadas utilizando modelos de lenguaje.
El sistema incluye un dashboard llamado Sentinel que proporciona visibilidad completa sobre decisiones, colas de revisión, registro de modelos y registros de auditoría. La arquitectura permite escalabilidad horizontal del servicio RDA mientras mantiene PAA como único punto de procesamiento de grafos para evitar duplicación de datos en memoria.
- Evaluación de transacciones de pago en tiempo real con decisiones binarias o revisión humana
- Investigación automatizada de casos de fraude rechazado mediante análisis de LLMs locales
- Monitoreo continuo de deriva del modelo y reentrenamiento automático basado en datos etiquetados
- Implementación de reglas personalizadas que pueden preceder o sobrescribir decisiones del modelo
- Arquitectura multi-agente desacoplada donde solo RDA está en la ruta crítica para decisiones de pago
- Generación automática de informes de investigación con LLMs locales sin enviar datos a servicios externos
- Mecanismo de idempotencia que previene doble procesamiento de transacciones tras fallos de red
- Dashboard Sentinel integrado con visor de auditoría, registro de modelos y cola de revisión humana
- Reentrenamiento automático del modelo XGBoost con detección de deriva estadística
- El agente FIA requiere aproximadamente 10 GB de disco para pesos del modelo y 16 GB de RAM libre, por lo que se ejecuta como perfil opcional
- La primera inicialización de FIA descarga ~7.6 GB desde HuggingFace, requiriendo conectividad de salida o pre-establecimiento local
- El servicio PAA debe ejecutarse como única instancia para mantener consistencia del grafo en memoria
- Los modelos XGBoost requieren Python 3.11 exacto cuando se ejecutan fuera de contenedores Docker
- Las transacciones sin contexto suficiente (dispositivo, ubicación) pueden ser rechazadas por defecto con el modelo demo
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
Requiere Docker Compose 2.24 o superior. Inicializar con `docker compose up -d` y ejecutar migración de base de datos primero. Configurar variables de entorno `.env` con secretos JWT y contraseña de BD antes del arranque. El servicio FIA debe activarse explícitamente con perfil `fia`. Asegurar que los puertos 5173, 3000, 5433, 6380 y rangos 9090-9095 estén libres. Para producción, considerar habilitar autenticación API con `RDA_REQUIRE_API_KEY=true`.
Stack y dependencias
Componentes inferidos a partir de manifests, configuración y documentación.
Puede sustituir a
Relaciones detectadas por el análisis del repositorio y su categoría.
Experiencia real de la comunidad
Ayuda a contrastar la estimación automática con instalaciones reales.
Todavía no hay datos comunitarios para este proyecto.