Logomarca IETEC

Buscar no TecHoje

Preencha o campo abaixo para realizar sua busca

Uso da inteligência artificial para identificação de fraudes financeiras: uma proposição de metodologias e ferramentas para detecção

EDUARDO CLÁUDIO OLIVEIRA MENDES e MARCELO CAMPI LIMA

 Pós-graduados em Transformação Digital e Gestão de TI pelo Ietec.

RESUMO

O presente estudo apresenta a pesquisa, uso e demonstração de ferramentas estatísticas com apoio de técnicas de Machine Learning para detecção de fraudes em transações financeiras. Embora técnicas e mecanismos de prevenção sejam ainda as melhores ferramentas para prevenir fraudes, os fraudadores se adaptam rapidamente para burlar tais mecanismos. Nesta pesquisa são apresentadas técnicas e metodologias que apoiam o modelo de negócios de empresas do ramo financeiro, para detectar e prevenir fraudes, considerando o carácter impessoal das transações financeiras analisadas. 

PALAVRAS-CHAVE: Machine Learning. InteligenciaArtificial. Métodos estatísticos. Fraude Financeira. Fintech.

INTRODUÇÃO

As novas tecnologias de transformação digital mudaram o ambiente de negócios, em especial o financeiro, para torná-lo mais produtivo e eficiente para as empresas, ao mesmo tempo que tornou seu alcance quase ubíquo para os clientes. Neste ambiente, o cliente conta com serviço acessível onde é fácil de se realizar transações financeiras. Esta mudança no ecossistema de transações financeiras se deu através das tecnologias de transformação digital, mais notadamente os aplicativos para smartphones (APPs) e a extrema conectividade proporcionada pela internet. A conectividade e o uso universal de smartphones são dois dos fatores que explicam o grande aumento das fintechs. Um estudo da Capegemini (2017), mostra que, metade dos usuários bancários de todo o mundo usa serviços de ao menos uma fintech. Estas empresas, fintechs, são empresas de tecnologia digital, cujo propósito é usar tecnologia para vender serviços financeiros. Surgiram para atender à demanda de uma sociedade cada vez mais conectada e dependente do smartphone, fomentando um novo ecossistema digital que, transformado pelas novas tecnologias, mudou para sempre a forma como se realizam transações financeiras. Olhando este novo ecossistema digital pelo viés positivo, a mudança proporcionada por ele no comportamento dos clientes trouxe muitas vantagens, intrínsecas à própria tecnologia: maior acesso a produtos e serviços, grande velocidade de reação (pagamentos, por exemplo, podem ser feitos a partir de qualquer lugar), maior flexibilidade (o cliente pode interagir através de várias interfaces/equipamentos) e grande abrangência de ação (o cliente não necessita estar presente na instituição financeira para realizar transações). Ao se olhar, contudo, pelo viés negativo, este novo ecossistema mostra que, ao se aumentar a exposição dos serviços no espaço e no tempo (o cliente acessa de quase qualquer lugar e a qualquer hora), aumentou-se também a exposição ao risco e às fraudes. Atraídos pela impessoalidade das transações, fraudadores vêm nestas novas tecnologias um ambiente propício para operar. Antes de prosseguir, faz-se necessário definir fraude (financeira) e distinguir a prevenção de sua detecção. Segundo Coderre (2009) fraude pode ser entendida como um ato ilegal, oculto muitas vezes por disfarces simples, derivando em benefício (financeiro) para o fraudador. Segundo Bolton e Hand (2002), prevenção de fraudes são as medidas tomadas para evitar que aquelas ocorram. Dentre estas medidas, podem ser citados os sistemas de segurança de internet, tais como senhas, certificados digitais e números de identificação pessoal. Há também os processos legais onde se obriga aos clientes a identificação formal através de fotos e documentos oficiais dentre outros. Já a detecção de fraudes financeiras, objeto deste estudo, procura identificar as fraudes após sua ocorrência através de padrões evidenciados pelos fraudadores. Nesta etapa é fundamental o uso de ferramentas estatísticas não somente para detecção de padrões, mas também para aproximar a detecção da fraude do momento de sua perpetração, evitando maiores prejuízos aos agentes financeiros. A detecção de fraudes enfrenta dois grandes problemas. O primeiro diz respeito ao volume, pois, embora representem grandes prejuízos, as fraudes respondem por uma porcentagem muito pequena quando se considera todo o conjunto de transações financeiras, realizadas através das tecnologias de transformação digital. O segundo diz respeito à adaptabilidade dos fraudadores. À medida que se impõem maiores medidas de segurança e a detecção das fraudes avança no número de padrões que é capaz de reconhecer, há uma resposta dos fraudadores na adaptação de seus métodos seja para contornar as medidas antifraude, seja para criar novos padrões ainda não detectados. É neste cenário que se faz imprescindível o uso da inteligência artificial, aliada a duas grandes ferramentas: a estatística e o aprendizado de máquina (machine learning - ML). A estatística, como brevemente falado acima, ajuda na detecção e classificação de padrões de comportamento. O aprendizado de máquina é essencial para se lidar com o enorme volume de transações que são feitas diariamente por uma ou mais fintechs. Serão aplicados métodos dedutivos através de sistemas computacionais a conjuntos de dados para detecção de fraudes financeiras, utilizando linguagem computacional (como Python) e bibliotecas científicas na construção de algoritmos de aprendizado de máquina, conjuntos de dados (datasets) despersonalizados obtidos de uma fintench para aplicar os algoritmos de aprendizado de máquina, e aprendizado supervisionado nos dados obtidos para selecionar e predizer transações fraudulentas. As transações financeiras analisadas no presente estudo, são oriundas principalmente de documentos de cobrança (como exemplo, boletos bancários) emitidos de forma fraudulenta, e enviados através de email para várias pessoas. Sem a devida conferência, algumas pessoas realizam o pagamento, somente para posteriormente se concientizarem de que realizaram um pagamento indevido. Evitar essas situações torna-se complexo, pois as transações ainda não ocorreram, e a detecção da fraude só poderá acontecer após a realização dos pagamentos pelos clientes. Para a identificação do perfil de movimentação dos fraudadores, existem análises que podem ser realizadas através de modelos estatísticos e de Machine Learning proposto no presente trabalho. As movimentações financeiras de recebimento e retirada ocorrem quase que simultaneamente, pois o fraudador está ciente que a fraude poderá ser descoberta, e então realiza a retirada do valor recebido por fraude quase imedia tamente após o recebimento. Tais análises serão objeto de estudo.

Baixe o PDF desta matéria

Indique este artigo a um amigo

Indique o artigo