Aprendizagem Automática - Detetar Transações Fraudulentas com Isolation Forests

Num mundo digital cada vez mais interligado, milhares de milhões de transações ocorrem todos os dias através de vários sistemas, desde terminais de ponto de venda em lojas tradicionais até gateways de pagamento online. Estes sistemas proporcionaram grandes oportunidades e ajudaram a impulsionar novos negócios inovadores com modelos de negócio únicos. Embora tenha havido benefícios significativos, também houve um aumento acentuado de ciber-crime cada vez mais sofisticado.

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

Este estudo de caso explora uma abordagem orientada para a aprendizagem automática na identificação de fraude com cartões de crédito. A Aprendizagem Automática provou ser eficaz em muitos contextos diferentes e também é eficiente na execução de grandes volumes de dados, uma consideração essencial para engenheiros de software que implementam sistemas bancários.

Resolver o Problema via Inteligência Artificial

A deteção de anomalias tem sido tradicionalmente um problema que se insere no campo da estatística. Os métodos convencionais assumem que um conjunto de dados segue a distribuição normal. Assim, os outliers são detetados observando quais os pontos de dados que se desviam significativamente da norma. A desvantagem deste método é que, se um conjunto de dados não estiver normalmente distribuído, a eficácia da técnica é limitada.

Deteção de anomalias por aprendizagem automática isolando um ponto anómalo

Abordagens de Aprendizagem Automática utilizando avanços algorítmicos recentes foram posteriormente tentadas, que se revelaram altamente eficazes, escaláveis e superam as referidas limitações dos métodos estatísticos. Embora não amplamente adotadas fora do setor financeiro, muitos destes métodos foram atualmente colocados em produção no setor bancário.

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

Animação de Fraude com Cartão de Crédito

Visão Geral do Desafio Organizacional

Considerando que milhares de milhões de transações ocorrem diariamente, detetar anomalias fraudulentas e executar um modelo em tempo real é um desafio. Uma inspeção visual destaca que encontrar uma agulha num palheiro é como encontrar uma agulha. As imagens seguintes 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 a fraude para cumprir as regulamentações. É também uma expetativa dos clientes. Normalmente, quando ocorre uma fraude, a instituição financeira suporta 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 das suas jornadas de transformação digital para resolver problemas que exigem escala, como a deteção de fraudes. Muitos dos indicadores para detetar fraudes são tipicamente armazenados em armazéns de dados. As técnicas de contabilidade forense também são bastante avançadas na determinação de métricas usadas como inputs para modelos de machine learning.

As isolation forests foram aplicadas ao conjunto de dados de cartões de crédito do Kaggle [2] e demonstrou-se serem 99% eficazes na deteção 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 terem de investigar & desenvolver uma solução.

Dados Organizacionais Disponíveis como Input de ML

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

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

Metodologia de Integração

Segue-se uma visão geral do processo que realizaríamos a um nível elevado para analisar tais transmissões dentro de uma organização:

Identificar métricas financeiras de sistemas ERP que podem ser usadas como inputs.
Treinar uma floresta de isolamento num conjunto de dados inicial e continuar a treinar o modelo no futuro para garantir que deteta os padrões de transações fraudulentas mais recentes.
Ao chamar as APIs da Telemus AI™ para executar a Floresta de Isolamento nas transações recebidas, a API devolve uma estimativa probabilística da probabilidade de uma transação fraudulenta com base no modelo.
Configurar fluxos de trabalho e processos personalizados para alertar a equipa de fraude, bem como os clientes, sobre transações potencialmente fraudulentas

A Telemus AI™ possui modelos robustos de aprendizagem automática para que a sua organização se possa concentrar na lógica de negócio em vez da implementação técnica.

Aplicações Organizacionais

A seguinte lista apresenta outras potenciais aplicações para a sua organização:

Detetar transações fraudulentas.
Detetar reclamações fraudulentas de funcionários.
Determinar comportamentos organizacionais invulgares através de sistemas de monitorização 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 insatisfação do cliente que pode causar, a prevenção ativa da fraude pode poupar até milhões, mesmo milhares de milhões de dólares, dependendo da escala da operação. Os organismos reguladores também estão continuamente a emitir diretrizes de conformidade mais rigorosas. Existe a expetativa de que as instituições financeiras tenham processos, procedimentos e sistemas para prevenir e combater a fraude. As tecnologias regulamentares, ou RegTech, são um campo emergente que tem o potencial de impulsionar muitas inovações dentro dos departamentos de operações de muitas organizações no futuro.

A Telemus AI™ é uma empresa de inteligência artificial sediada na Austrália que fornece soluções avançadas ao governo e às empresas. Contacte-nos hoje para uma consulta gratuita sobre como a Telemus AI™ pode ser integrada na sua organização.