Le problème
Projet 03 — ML appliqué
MailSavior
Intégrer un modèle de phishing dans un vrai parcours métier.
Le projet
Une application interne qui analyse le contenu d’un e-mail, estime son niveau de risque et restitue le résultat dans une interface Windows exploitable.
La réponse
MailSavior combine un pipeline TF-IDF + régression logistique, une API FastAPI et une interface WPF avec authentification, historique et feedback.
Ma contribution
Ce qui a été conçu et construit.
- 01
Préparation et séparation des données d’entraînement et de test.
- 02
Entraînement du pipeline TF-IDF + régression logistique avec scikit-learn.
- 03
Exposition du modèle via une API FastAPI documentée.
- 04
Intégration avec l’application C# WPF et gestion des retours utilisateurs.
- 05
Ajout de tests, supervision et automatisation GitHub Actions.
Architecture
Le chemin de la donnée.
01E-mail→
02Nettoyage→
03TF-IDF→
04Régression logistique→
05API FastAPI→
06Interface WPF→
07Feedback
Résultat
Ce que le projet démontre.
Un modèle léger, explicable et rapide à intégrer.
Une séparation claire entre modèle, service API et interface métier.
Une base prévue pour apprendre des corrections utilisateurs.