🛡️ ARGUS IA - Sistema de Detecção de Comportamentos Suspeitos

ARGUS IA é um sistema acadêmico desenvolvido para identificação de padrões suspeitos em redes sociais com foco na proteção de menores. O sistema integra geração de datasets simulados, análise por Machine Learning, exportação de relatórios e um dashboard web para visualização e acompanhamento das detecções.

Objetivos do Projeto

Principal:

Desenvolver um serviço web que identifica perfis e postagens com comportamento suspeito visando a proteção de menores.

Secundários:

• Permitir geração de datasets simulados para testes;
• Prover análises automatizadas usando modelos clássicos de ML;
• Exportar relatórios em CSV/Excel;
• Disponibilizar um dashboard interativo para visualização das métricas e dos casos mais suspeitos.

Motivação e Relevância Acadêmica

• Problema social: invisibilidade de comportamentos predatórios em plataformas sociais e a necessidade de ferramentas que auxiliem na triagem automática.

• Contribuição acadêmica: combinação de engenharia de software, ciência de dados e estudo de métricas de detecção (precisão, recall, F1), com possibilidade de extensões para modelos avançados (NLP, deep learning).

Tecnologias e Dependências

• Backend: Django 4.2.
• ML / Data Science: Scikit-learn, Pandas, NumPy.
• Frontend: Bootstrap 5, Chart.js.
• Banco de Dados (dev): SQLite.

Instalação e Execução (guia passo-a-passo)

Passos

(1) Clone o repositório:

git clone https://github.com/RafaelGermano05/argus_ia.git
cd argus_ia

(2) Crie e ative ambiente virtual:

python -m venv venv
# Windows
venv\Scripts\activate
# macOS / Linux
source venv/bin/activate

(3) Instale dependências:

pip install -r requirements.txt

(4) Migrar banco:

python manage.py migrate

(5) (Opcional) Criar superuser:

python manage.py createsuperuser

(6) Executar servidor de desenvolvimento:

python manage.py runserver

(7) Acesse http://127.0.0.1:8000/ e navegue até o dashboard/detection.

Execução com Docker

(1) Build e subir containers

docker-compose up --build

(2) Rodar migrações dentro do container

docker-compose exec web python manage.py migrate

(3) Criar superuser

docker-compose exec web python manage.py createsuperuser

(4) Acessar o sistema

Acesse http://localhost:8000/

Observação: o repositório contém db.sqlite3, portanto pode haver dados de exemplo já disponíveis.

Boas Práticas Recomendadas ao Reutilizar / Estender

• Separar ambiente de produção do de desenvolvimento: trocar SQLite por PostgreSQL em produção.
• Gerenciar segredos: variáveis sensíveis não devem estar no repositório.
• Testes automatizados: adicionar testes unitários e de integração (Django TestCase + pytest).
• Documentação de API: criar endpoints documentados (DRF + Swagger/OpenAPI se expandir API).
• Privacidade: garantir anonimização de dados de usuários reais.

Limitações Conhecidas

• Uso de datasets simulados pode não refletir linguagem real de atacantes.
• Modelos de ML clássicos têm limitações para entender contexto e ironia, técnicas de NLP modernas (transformers) podem melhorar, mas exigem mais dados e processamento.
• Dependência de features manuais pode gerar falsos positivos por palavras fora de contexto.

Licença e Créditos

MIT License

---

Este README foi preparado para servir como documentação inicial acadêmica do projeto ARGUS IA.