dhirenlulla/TrustLensAI

🚀 TrustLens AI TrustLens AI 是一个全栈机器学习平台，旨在检测可疑、欺诈或不真实的薪资提交，防止它们破坏众包薪酬分析。 为 Hackathon 2026 构建，使用了 FastAPI、Next.js、Scikit-learn、Isolation Forest、SQLAlchemy 和 SQLite。 # 📌 问题陈述 现代薪资情报平台严重依赖众包的薪酬提交。 然而，虚假或不真实的薪资条目可能会： - 扭曲薪资基准 - 误导求职者 - 破坏薪酬分析 - 降低对平台的信任 - 产生不准确的市场洞察 TrustLens AI 采用结合了以下内容的混合方法来解决此问题： - 机器学习异常检测 - 业务规则验证 - 统计薪酬分析 - 实时信任度评分 # ✨ 功能 ## 🔍 AI 薪资验证 由 Isolation Forest 异常检测提供支持的实时验证引擎。 ## 🧠 欺诈概率检测 使用机器学习置信度评分检测可疑的薪资提交。 ## 📊 信任度评分引擎 生成 0–100 之间易于理解的信任度分数。 ## 🚨 业务规则标记 标记不切实际的薪酬关系，例如： - 薪资不切实际的实习生 - 不可能的奖金比例 - 无效的经验级别映射 - 不切实际的股票赠予 ## 💡 AI 解释引擎 使用可解释的 AI 洞察解释提交被标记的原因。 ## 📈 实时分析仪表板 跟踪： - 总提交量 - 欺诈率 - 平均信任度分数 - 高风险条目 - 最近的验证 ## 🗄️ 数据库持久化 所有提交均使用 SQLite + SQLAlchemy ORM 存储。 ## 🎨 未来感 UI 现代的毛玻璃效果仪表板，具有： - 动态状态指示器 - 实时分析 - 动画验证引擎 - AI 信任度可视化 # 🧠 机器学习 Pipeline TrustLens AI 使用了一个在合成薪酬情报数据集上训练的 Isolation Forest 异常检测模型。 ## 模型工作流程 1. 接收到薪资提交 2. 执行特征工程 3. 生成薪酬比率 4. 应用数据预处理 pipeline 5. Isolation Forest 预测异常分数 6. 计算欺诈概率 7. 评估业务规则 8. 生成最终信任度分数 # 🏗️ 系统架构 ``` Frontend (Next.js + TypeScript) ↓ FastAPI Backend ↓ ML Validation Engine (Isolation Forest + Rule Engine) ↓ SQLite Database ↓ Analytics Dashboard ``` # 🛠️ 技术栈 ## 前端 - Next.js - React - TypeScript - 现代 CSS - 毛玻璃效果 UI ## 后端 - FastAPI - Python 3.11 - SQLAlchemy - Pydantic - SQLite ## 机器学习 - Scikit-learn - Isolation Forest - NumPy - Pandas ## 部署 - Vercel（前端） - Railway / Render（后端） # 🌐 在线演示 ## 前端 👉 https://trust-lens-ai-3csq.vercel.app/ ## 后端 API 文档 👉 https://trustlensai-vipg.onrender.com/docs # 📸 截图 ## 仪表板 ## 欺诈检测 ## 分析面板 ## FastAPI 文档 # ⚙️ 本地设置 # 1️⃣ 克隆仓库 ``` git clone https://github.com/YOUR_USERNAME/TrustLensAI.git ``` # 2️⃣ 后端设置 ``` cd backend ``` ## 创建虚拟环境 ``` python -m venv venv ``` ## 激活虚拟环境 ### Windows ``` venv\Scripts\activate ``` ### Mac/Linux ``` source venv/bin/activate ``` ## 安装依赖项 ``` pip install -r requirements.txt ``` ## 运行后端 ``` uvicorn app.main:app --reload ``` 后端运行在： ``` http://127.0.0.1:8000 ``` # 3️⃣ 前端设置 ``` cd frontend ``` ## 安装依赖项 ``` npm install ``` ## 运行前端 ``` npm run dev ``` 前端运行在： ``` http://localhost:3000 ``` # 📡 API 端点 ## 健康检查 ``` GET /health ``` ## 验证薪资提交 ``` POST /api/v1/validate ``` ## 模型状态 ``` GET /api/v1/validate/status ``` ## 分析仪表板 ``` GET /api/v1/analytics ``` ## 最近验证 ``` GET /api/v1/recent-submissions ``` # 🧪 欺诈提交示例 ``` { "company": "Google", "role": "Software Engineer", "level": "Intern", "yearsOfExperience": 9, "location": "San Francisco, CA", "baseSalary": 500000, "bonus": 900000, "stockGrant": 2000000, "totalCompensation": 3400000, "workArrangement": "Hybrid" } ``` # 📊 检测输出示例 ``` { "predicted_anomaly": true, "fraud_probability": 0.97, "trust_score": 18, "trust_label": "CRITICAL" } ``` # 🔮 未来改进 - 迁移至 PostgreSQL - 用户身份验证 - 管理员审核面板 - 实时图表 - 高级集成 ML 模型 - 基于云的可扩展基础设施 - 基于角色的分析 - 历史异常追踪 # 👨‍💻 作者 为 Hackathon 2026 构建。 使用 ❤️ 和 AI + 全栈工程 + 机器学习开发。 # ⭐ 结语 TrustLens AI 展示了机器学习如何通过在可疑薪酬行为影响实际分析之前将其检测出来，从而提高众包数据生态系统中的信任度、完整性和可靠性。

标签：Apex, AV绕过, FastAPI, 业务反欺诈, 数据异常检测, 机器学习, 自动化攻击, 逆向工具