Uma solução de processamento de transações de crédito para predição de fraudes

• Ano de defesa: 2023
• Autor(a) principal: Palha, Marcos André Künzel
• Orientador(a): Galante, Renata de Matos
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Palavras-chave em Português: Detecção de fraude; Algoritmos; Aprendizado de máquina; Inteligência artificial; Big data
• Palavras-chave em Inglês: Fraud detection; Prediction task; Emerging techniques; Learning systems; Decision systems based on score model
• Link de acesso: http://hdl.handle.net/10183/262733

Ao longo das últimas décadas, com o rápido crescimento dos negócios alavancados por canais da internet, houve um crescimento dramático do volume de fraudes, não apenas em números, mas também em formas e técnicas adotadas pelos fraudadores. Nesse mesmo período, evoluções tecnológicas significativas aconteceram, com uma crescente onda de técnicas relacionadas a inteligência artificial, big data e aprendizado de máquina. Estas abordagens inovadoras, para o contexto desse trabalho, são chamadas de “Técnicas Emergentes”, muitas delas oferecem subsídios importantes para o combate a fraudes em diversas áreas e formas. Inicialmente, neste trabalho, foi realizada uma revisão sistemá tica para mapear a contribuição efetiva das técnicas emergentes para combater fraudes, se comparada as abordagens de detecção de fraude clássicas. A partir da revisão sistemática, duas taxonomias foram propostas de forma a estruturar os trabalhos por tipos de fraude e categoria de técnica emergente utilizada na abordagem de detecção de fraude. Como um desdobramento da análise dos trabalhos levantados nessa pesquisa, este trabalho propõe uma solução para predição de fraudes em transações de crédito, baseada em aprendizado de máquina. Uma implementação dessa proposta é desenvolvida, descrita e experimentos são conduzidos utilizando três algoritmos distintos de aprendizado de máquina (RF, XGB e MLP). Estes algoritmos são alimentados com dados de uma base de transações de crédito real, sobre a qual quatro estudos de caso foram desenvolvidos, treinando e testando os três modelos com um mesmo conjunto de features e dados. Como parte dos resultados desses experimentos, os modelos são comparados entre si e com o sistema de regras de decisão atualmente utilizado pela empresa (baseline). Os resultados obtidos demonstram que os modelos de aprendizado de máquina são uma boa alternativa aos sistemas de detecção de fraude clássicos, melhorando métricas significativas como acurácia balanceada de 78,6% (MPBR) para 86,9% (MLP). Na comparação entre os modelos testados o MLP foi escolhido para prototipação devido as suas características simplificarem o retreino. Na análise dos resultados foi proposta também uma futura combinação dos modelos com o sistema de decisão, de forma a reduzir custo operacional tanto na atualização periódicas das regras do MPBR quanto no volume de transações que demandam uma revisão manual por parte da equipe de combate a fraudes.