A fraude tem sido uma questão crítica para as instituições de serviços financeiros. E como as transações globais continuam aumentando, o perigo também. Felizmente, a Inteligência Artificial tem um enorme potencial para reduzir a fraude financeira. Com as ferramentas de detecção de fraudes automatizadas ficando mais inteligentes e o aprendizado de máquina (Machine Learning) se tornando mais poderoso, a perspectiva deve melhorar de forma exponencial. Vamos investigar a Inteligência Artificial e o Futuro da Detecção de Fraude Financeira.

Em seu último relatório, a empresa de segurança McAfee estima que o cibercrime atualmente custa à economia global cerca de US $ 600 bilhões, ou 0,8% do produto interno bruto global. Uma das formas mais prevalentes de cibercrime é a fraude com cartão de crédito, que é exacerbada pelo crescimento das transações on-line. A velocidade com que as perdas financeiras podem ocorrer por conta de fraude de cartão de crédito torna as técnicas inteligentes de detecção de fraudes cada vez mais importantes.

Devido à disponibilidade de grandes volumes de dados de clientes, juntamente com dados transacionais atualizados à medida que as transações ocorrem, a Inteligência Artificial pode ser usada para identificar com eficiência padrões de comportamento de cartões de crédito irregulares para clientes específicos.

As empresas de segurança cibernética podem se concentrar na implementação de aprendizado profundo (Deep Learning) para criar impressões digitais de usuários e transações, identificando os relacionamentos entre pontos de dados e reduzindo-os a seus componentes principais, que podem ser agrupados usando modelos matemáticos através da criação de clusters (agrupamentos por características semelhantes) que podem então ser monitorados a fim de identificar o padrão de comportamento em relação a outros usuários no cluster a qualquer momento.

Uma vantagem adicional de um modelo mais sofisticado é sua capacidade em potencial de usar uma ampla variedade de pontos de dados (como a Mastercard já fez) para ajustar continuamente diferentes clientes e transações nos clusters mais adequados para uma comparação precisa. Assim, à medida que as circunstâncias da vida e os hábitos de gastos de um cliente mudam, o modelo ajusta automaticamente o que vê como transações potencialmente fraudulentas. Isso pode reduzir as transações fraudulentas reais e minimizar os sinalizadores de fraude falsos positivos.

Falsos positivos ocorrem regularmente com medidas antifraude baseadas em regras tradicionais, em que o sistema sinaliza qualquer coisa que esteja fora de um determinado padrão. Por exemplo, se você estiver planejando uma viagem ao exterior e começar a comprar passagens aéreas e acomodações, isso pode provocar um aviso de fraude. Um sistema mais inteligente, conforme descrito nos dois parágrafos anteriores, que pode entender melhor os padrões subjacentes do comportamento humano, poderia usar os novos dados do cliente (suas compras de viagem) para combinar com um grupo diferente de usuários (por exemplo, viajantes de férias). Em seguida, ele pode testar seu comportamento em relação a transações típicas do novo cluster de usuários, viajantes de férias neste exemplo, antes de gerar automaticamente um sinalizador de fraude na sua conta.

Isso deve aumentar a satisfação do cliente limitando o número de vezes que um cliente não pode concluir uma transação devido a uma sinalização incorreta e reduzir as despesas operacionais da instituição financeira, evitando interações desnecessárias com esses clientes.

 

Inteligência Artificial e o Futuro da Detecção de Fraude Financeira

 

O potencial de fraude eletrônica está aumentando com o aumento do uso de tecnologia avançada e a natureza global de muitas transações. Acrescente a isso a capacidade recém-descoberta de criminosos cibernéticos para utilizar trocas de criptomoedas não regulamentadas para sacar o retorno de suas atividades on-line criminosas, e fica claro que é imperativo usar as técnicas mais avançadas disponíveis para combater o cibercrime.

O mais emocionante, para aqueles que esperam reduzir ainda mais a atividade fraudulenta, é que agora estamos vendo uma nova geração de algoritmos baseados na maneira como as pessoas pensam. Podemos citar como exemplo as Redes Neurais Convolucionais que são baseadas no córtex visual, que é um pequeno segmento de células que são sensíveis a regiões específicas do campo visual no corpo humano. Com efeito, essas redes neurais usam imagens diretamente como entrada, funcionando de forma similar ao córtex visual. Isso significa que elas podem extrair recursos visuais elementares, como bordas orientadas, pontos finais e cantos.

Este novo desenvolvimento em Inteligência Artificial faz algoritmos que já eram inteligentes, infinitamente mais inteligentes. Essa tecnologia pode estudar os dados de gastos de um indivíduo e determinar, com base nessas informações, se eles realizaram a transação mais recente em seu cartão de crédito ou se outra pessoa estava usando os dados do cartão de crédito. O potencial significativo está na capacidade das redes neurais de aprender relacionamentos a partir de dados modelados, como mencionado neste estudo da World Academy of Science. A implementação desse tipo de solução para conter o cibercrime, por exemplo, reduzindo drasticamente as perdas econômicas.

A fraude tem ocorrido ao longo da história humana e só se tornou mais complexa e difícil de parar, com a evolução da tecnologia. Felizmente, estamos agora em uma posição em que também somos capazes de alavancar a tecnologia – especialmente as novas redes neurais – para identificar essas atividades fraudulentas e pará-las antes que causem danos.

Conseguir isso reduzirá os custos gerais dos bancos e melhorará sua reputação com os clientes, que provavelmente serão mais leais a uma instituição que proteja melhor seu dinheiro. E existe até a possibilidade de os bancos canalizarem parte da economia de custos que fazem com a redução da fraude aos clientes, na forma de taxas de transação mais baixas ou taxas de juros reduzidas. Em última análise, a IA provavelmente criará uma mudança radical de toda a indústria bancária, levando não apenas à redução do cibercrime, mas também a clientes mais satisfeitos. Essa é verdadeiramente uma situação ganha-ganha.

 

Equipe DSA

 

Referências:

Deep Learning Book

Mastercard rolls out artificial intelligence across its global network

AI for fraud detection: beyond the hype

How to Fight Fraud with Artificial Intelligence and Intelligent Analytics

Artificial Intelligence And The Future Of Financial Fraud Detection

Artificial Intelligence in Fraud Detection

Machine Learning and AI for Fraud Prevention

Machine Learning for Fraud Detection – Modern Applications and Risks