Aprendizado de Máquina - Detectando Transações Fraudulentas com Isolation Forests

Em um mundo digital cada vez mais interconectado, bilhões de transações ocorrem todos os dias por meio de vários sistemas, desde terminais de ponto de venda em lojas tradicionais até gateways de pagamento online. Esses sistemas proporcionaram grandes oportunidades e ajudaram a impulsionar novos negócios inovadores com modelos de negócios exclusivos. Embora tenha havido benefícios significativos, também houve um aumento acentuado em crimes cibernéticos cada vez mais sofisticados.

Uma das formas mais comuns de cibercrime é a fraude com cartão de crédito, responsável por bilhões de dólares registrados no setor financeiro globalmente. Dado o número de transações que ocorrem todos os dias, é um desafio para as instituições financeiras combater cibercriminosos; avanços recentes em Machine Learning deram origem a novos métodos para identificar e detectar transações fraudulentas. A identificação precisa de fraudes permite estratégias automatizadas de mitigação, como alertar o cliente e solicitar confirmação adicional antes que uma transação prossiga.

Este estudo de caso explora uma abordagem orientada ao aprendizado de máquina para identificação de fraude com cartão de crédito. O Aprendizado de Máquina provou ser eficaz em muitos cenários diferentes e também é eficiente na execução de grandes volumes de dados, uma consideração essencial para engenheiros de software que implementam sistemas bancários.

Resolvendo o Problema via Inteligência Artificial

A detecção de anomalias tem sido tradicionalmente um problema que está dentro do campo da estatística. Métodos convencionais assumem que um conjunto de dados se enquadra na distribuição normal. Assim, os valores atípicos são detectados observando quais pontos de dados se desviam significativamente da norma. A desvantagem desse método é que se um conjunto de dados não for distribuído normalmente, a eficácia da técnica é limitada.

Detecção de anomalias por aprendizado de máquina isolando um ponto anômalo

Abordagens de Aprendizado de Máquina usando recentes avanços algorítmicos foram posteriormente tentadas, o que provou ser altamente eficaz, escalável e supera as mencionadas limitações dos métodos estatísticos. Embora não amplamente adotadas fora do setor financeiro, muitos desses métodos foram atualmente colocados em produção no setor bancário.

Uma nova abordagem foi desenvolvida em 2008 em [1] explorando uma propriedade única de outliers, sendo que os outliers tipicamente são isolados em relação à maioria dos pontos de dados. Dada essa propriedade, é possível gerar partições aleatórias em torno de pontos de dados para isolar um ponto de dados; quanto menos partições necessárias para isolar um ponto de dados, mais provável é que tal ponto de dados seja um outlier. O algoritmo desenvolvido tem uma complexidade de tempo linear e provou funcionar bem mesmo quando dados de treinamento limitados estão disponíveis; isso contrasta com abordagens típicas que exigem dados de treinamento extensivos.

Animação de Fraude com Cartão de Crédito

Visão Geral do Desafio Organizacional

Considerando que bilhões de transações ocorrem diariamente, detectar anomalias fraudulentas e executar um modelo em tempo real é um desafio. Uma inspeção visual destaca que encontrar uma agulha em um palheiro é como encontrar uma agulha. As imagens a seguir ilustram transações bancárias ao longo do tempo, com verde legítimo e vermelho fraudulento. É um desafio isolar transações fraudulentas. As instituições financeiras são obrigadas a tentar combater fraudes para cumprir as regulamentações. Também é uma expectativa dos clientes. Normalmente, quando ocorre uma fraude, a instituição financeira arca com o custo para manter a satisfação do cliente.

Gráfico de Dispersão de Transações com Cartão de Crédito

Gráfico de Bolhas Empacotadas de Transações com Cartão de Crédito

As organizações estão cada vez mais recorrendo a métodos de machine learning como parte de suas jornadas de transformação digital para resolver problemas que exigem escala, como detecção de fraudes. Muitos dos indicadores para detectar fraudes são tipicamente armazenados em data warehouses. As técnicas de contabilidade forense também são bastante avançadas na determinação de métricas usadas como entradas para modelos de machine learning.

Isolation forests foram aplicadas ao conjunto de dados de cartões de crédito do Kaggle [2] e demonstraram ser 99% eficazes na detecção de transações fraudulentas [3]. Dado que uma abordagem geral que funciona foi determinada, a maioria das organizações enfrenta desafios de implementação que funcionam em escala, em vez de ter que pesquisar & desenvolver uma solução.

Dados Organizacionais Disponíveis como Entrada de ML

As fontes de dados usadas por instituições financeiras são as seguintes:

Metadados de clientes.
Carimbos de data/hora e valores das transações.
Histórico de transações dos clientes.
A localização geográfica das transações.
Lei de Benford.

Metodologia de Integração

A seguir, uma visão geral do processo que realizaríamos em um alto nível para analisar tais feeds dentro de uma organização:

Identifique métricas financeiras de sistemas ERP que podem ser usadas como entradas.
Treinar uma floresta de isolamento em um conjunto de dados inicial e continuar a treinar o modelo no futuro para garantir que ele detecte os padrões de transações fraudulentas mais recentes.
Ao chamar as APIs da Telemus AI™ para executar a Isolation Forest nas transações recebidas, a API retorna uma estimativa probabilística da probabilidade de uma transação fraudulenta com base no modelo.
Configure fluxos de trabalho e processos personalizados para alertar a equipe de antifraude, bem como os clientes, sobre transações potencialmente fraudulentas

A Telemus AI™ possui modelos robustos de aprendizado de máquina lidos para que sua organização possa focar na lógica de negócios em vez da implementação técnica.

Aplicações Organizacionais

A seguir, lista outras aplicações potenciais para sua organização:

Detectando transações fraudulentas.
Detectando reivindicações fraudulentas de funcionários.
Determinando comportamento organizacional incomum por meio de sistemas de rastreamento de recursos humanos.

Benefícios Potenciais e Realizados

Dada a vasta magnitude de tempo e dinheiro que a fraude financeira custa e os danos à reputação e à insatisfação do cliente que pode causar, a prevenção ativa de fraudes pode economizar até milhões, até mesmo bilhões de dólares, dependendo da escala da operação. Os órgãos reguladores também estão continuamente trazendo diretrizes de conformidade mais rigorosas. Há uma expectativa de que as instituições financeiras tenham processos, procedimentos e sistemas para prevenir e combater fraudes. Tecnologias regulatórias, ou RegTech, é um campo emergente que tem o potencial de impulsionar muitas inovações dentro dos departamentos de operações de muitas organizações avançando para o futuro.

A Telemus AI™ é uma empresa de inteligência artificial sediada na Austrália, fornecendo soluções avançadas para o governo e empresas. Entre em contato conosco hoje para uma consulta gratuita sobre como a Telemus AI™ pode ser integrada em sua organização.