CreditGuard AI

حابب أشارك معاكم أحدث مشاريعي في الـMachine Learning & AI — CreditGuard AI

CreditGuard AI هو مشروع End-to-End AI-Powered Credit Risk Assessment System، هدفه تقييم مخاطر الائتمان والتنبؤ باحتمالية تعثر العميل عن سداد القرض.

الفكرة بالنسبة لي مكنتش مجرد إني أدرب Machine Learning Model وأحقق Metrics كويسة، لكن إني أحوّل الموديل إلى Application متكامل وأربط أكتر من Technology مع بعض في System واحد.

Machine Learning

بنيت Credit Risk Classification Model باستخدام Logistic Regression، مع تجهيز Pipeline لمعالجة البيانات شملت:

• Missing Value Imputation
• StandardScaler للـNumerical Features
• One-Hot Encoding للـCategorical Features
• SMOTE للتعامل مع Class Imbalance
• Hyperparameter Tuning
• Model Evaluation

ووصل الموديل تقريبًا إلى:

ROC-AUC: 74.32%
Recall: 66.18%

وكان التركيز على Metrics مناسبة لطبيعة مشكلة Credit Risk بدل الاعتماد على Accuracy فقط.

OCR & Identity Verification

أضفت مرحلة OCR (Optical Character Recognition) بحيث النظام يقدر يتعامل مع صورة بطاقة الهوية ويستخرج بيانات العميل تلقائيًا، مثل الاسم وتاريخ الميلاد ورقم الهوية وغيرها من البيانات المتاحة.

وبعد الاستخراج، بيتم استخدام البيانات في مرحلة Identity Verification قبل استكمال عملية تقييم مخاطر العميل.

الهدف كان تقليل الـManual Data Entry وجعل تجربة الاستخدام أقرب لتطبيق فعلي.

FastAPI Backend

بنيت REST API باستخدام FastAPI لربط الـMachine Learning Model بباقي أجزاء النظام وتنفيذ Real-Time Predictions.

الـBackend مسؤول عن:

• استقبال بيانات العميل
• Data Validation
• تطبيق الـPreprocessing
• تشغيل الـML Model
• حساب Default Probability
• تحديد Risk Level
• حفظ نتائج التقييم
• استرجاع Assessment History
• Health & Model Information

Streamlit Dashboard

بنيت Interactive Dashboard باستخدام Streamlit علشان المستخدم يقدر يتعامل مع النظام من خلال UI بدل التعامل المباشر مع الـAPI.

من خلالها يمكن تنفيذ Credit Risk Assessment وعرض:

• Customer Information
• Default Probability
• Prediction Result
• Low / Medium / High Risk Classification
• Previous Assessments
• AI Credit Policy Assistant
MySQL Database

ربطت الـBackend بقاعدة بيانات MySQL لحفظ نتائج عمليات التقييم بدل ما تكون الـPredictions مؤقتة فقط.

وده بيسمح للنظام بالاحتفاظ ببيانات مثل:

• Customer Information
• Default Probability
• Prediction
• Risk Level
• Assessment Timestamp

RAG + Gemini AI

أضفت كمان AI Credit Policy Assistant باستخدام Retrieval-Augmented Generation (RAG) مع Credit Risk / Loan Policy Knowledge Base.

الفكرة إن المستخدم يقدر يسأل عن سياسات الائتمان، والنظام يعمل Retrieval للمعلومات المرتبطة بالسؤال من الـKnowledge Base، وبعدها يستخدم Gemini AI لتوليد إجابة مبنية على الـRetrieved Context.

وده جمع داخل نفس المشروع بين:

Predictive AI → للتنبؤ بمخاطر الائتمان
Generative AI + RAG → للتعامل مع الأسئلة المتعلقة بالـCredit Policy

Docker & Docker Compose

عملت Containerization للمشروع باستخدام Docker و Docker Compose، وقسمت الـApplication إلى Services منفصلة:

• Streamlit Frontend
• FastAPI Backend
• MySQL Database

وده ساعدني أفهم بشكل عملي إزاي الخدمات المختلفة تتواصل مع بعضها داخل Containerized Environment.

Deployment

وبعد بناء وربط أجزاء المشروع، بدأت مرحلة الـDeployment وأصبح للـStreamlit Dashboard نسخة متاحة أونلاين لتجربة المشروع.

أكتر حاجة استفدت منها خلال المشروع كانت إني أشوف الفرق بشكل عملي بين:

“إني أدرب Machine Learning Model”

وبين:

“إني أبني End-to-End System كامل حوالين الـModel.”

الـWorkflow النهائي للمشروع أصبح تقريبًا:

ID Image → OCR → Identity Verification → Customer Data → Data Preprocessing → Machine Learning → FastAPI → MySQL → Streamlit → RAG + Gemini → Docker → Deployment

والمشروع خلاني أتعامل بشكل عملي مع Integration وDebugging بين أكتر من Technology، مش بس مرحلة الـModel Training.

GitHub Repository:
https://github.com/engfares983-coder/CreditGuard_AI-

Live Demo:
https://creditguard-ai21.streamlit.app/

سعيد جدًا بأي Feedback أو اقتراحات تساعدني أطور المشروع والـArchitecture أكتر