Detecção de fraudes com IA no setor bancário

Ao analisar grandes conjuntos de dados, modelos de IA conseguem aprender a reconhecer a diferença entre atividades suspeitas e transações legítimas, ajudando a identificar possíveis riscos de fraude e a prevenir crimes financeiros — inclusive detectando tendências que um agente humano poderia não perceber.

Instituições financeiras estão integrando cada vez mais soluções de IA a fluxos de trabalho novos e existentes para melhorar a tomada de decisões, a prevenção a fraudes e o gerenciamento de riscos. Modelos de aprendizado de máquina com IA, treinados com dados históricos, podem usar reconhecimento de padrões para identificar e bloquear automaticamente possíveis transações fraudulentas antes que sejam executadas. Eles também podem exigir que agentes humanos realizem etapas adicionais de autenticação para verificar uma transação suspeita. A tecnologia de IA também pode usar análise preditiva de dados para estimar os tipos de transações futuras que uma pessoa pode realizar e reconhecer se um novo tipo de transação ou comportamento transacional é incomum. 

Dessa forma, a IA para fintechs pode ajudar a proteger indivíduos contra perdas financeiras resultantes de vários tipos de fraude, incluindo golpes de phishing, roubo de identidade, fraudes em pagamentos, fraudes com cartões de crédito e outras modalidades de fraude bancária.

Sistemas de detecção de fraudes com IA não são perfeitos, e alguns falsos positivos podem impactar negativamente a experiência geral do cliente. Mas impedir que fraudadores cometam crimes financeiros — desde cobranças não autorizadas até lavagem de dinheiro — é fundamental para garantir a segurança das contas dos clientes e manter a conformidade regulatória das instituições financeiras.

À medida que a tecnologia de IA avança, tanto os fornecedores de soluções de prevenção a fraudes com IA quanto as principais instituições financeiras estão apostando que a IA se tornará uma ferramenta ainda mais valiosa para impedir tentativas de fraude e mitigar riscos de fraude.

A tecnologia de IA permite que computadores se comportem, aprendam, se adaptem, resolvam problemas e ajam com autonomia de forma semelhante à cognição humana. Embora sistemas de IA não sejam necessariamente tão inteligentes quanto agentes humanos, quando operam em sistemas rígidos e baseados em regras, uma IA treinada e focada em tarefas específicas pode igualar ou até superar agentes humanos com velocidades muito maiores e em escalas muito mais amplas.

Sistemas de IA usados na prevenção de fraudes bancárias são altamente ajustados para tarefas específicas. Modelos de IA são treinados com grandes volumes de dados cuidadosamente selecionados, por meio de um processo chamado aprendizado supervisionado. Esse método ensina o modelo a reconhecer padrões específicos para tarefas específicas.

Em contraste, o aprendizado não supervisionado permite que sistemas de IA tirem conclusões a partir de dados anteriores sem material de treinamento direcionado.

Em cenários de aprendizado supervisionado, sistemas de IA são treinados com táticas específicas de fraude para orientar o reconhecimento de padrões. Um exemplo de conjunto de dados com aprendizado supervisionado pode conter milhares de registros financeiros normais misturados com exemplos identificados de comportamentos fraudulentos, como uma transação incomumente alta ou uma transferência para um endereço conhecido por estar envolvido em fraudes.

A IA é treinada dessa forma para se tornar altamente eficaz em reconhecer tanto transações médias e possivelmente legítimas quanto transações associadas a padrões conhecidos de comportamento fraudulento.

Técnicas de detecção de anomalias com aprendizado não supervisionado são usadas para preencher as lacunas onde os modelos supervisionados podem ser insuficientes. Essas técnicas permitem que modelos de IA reconheçam padrões de comportamento anteriormente não previstos — mas ainda assim incomuns. O uso de sistemas de IA com funcionalidades de aprendizado não supervisionado permite analisar novos dados e detectar possíveis táticas de fraude antes mesmo que agentes humanos percebam essas ameaças.

Com o uso combinado de aprendizado supervisionado e não supervisionado, bancos podem automatizar a triagem de padrões de fraude já confirmados e emitir alertas quando padrões desconhecidos indicarem a possibilidade de novas atividades fraudulentas.

Uma das aplicações mais comuns da tecnologia de IA é o chatbot em redes sociais — um programa automatizado capaz de conduzir conversas com clientes. Esses chatbots são frequentemente usados no atendimento ao cliente, respondendo a perguntas básicas e fornecendo informações em tempo real, sem a necessidade de aguardar a disponibilidade de um agente humano.

Além do atendimento ao cliente, o setor bancário utiliza muitos outros tipos de programas e softwares com IA para identificar e prevenir possíveis fraudes. Bancos utilizam sistemas de IA para detecção em tempo real, designando programas com IA para analisar grandes volumes de transações e identificar e sinalizar qualquer atividade suspeita de conta de diversas maneiras, incluindo:

• Apoio à força de trabalho: trabalhadores humanos envolvidos na prevenção tradicional de fraudes podem usar assistentes de IA baseados em LLMs para se comunicar com linguagem natural e consultar grandes conjuntos de dados ou documentos longos e complexos de políticas.

• Conformidade regulatória: os bancos estão sob forte pressão para manter a conformidade com regulamentações. Os programas de IA podem ajudar os bancos a implementar políticas de conhecimento do cliente (KYC) usando visão computacional, analisando documentos de identidade em busca de inconsistências ou sinais de fraude. Elas também podem ajudar os bancos a implementar processos de prevenção à lavagem de dinheiro (AML – Anti-Money Laundering), sinalizando contas conhecidas ou comportamentos associados à lavagem ilegal de dinheiro, como a movimentação de valores idênticos entre contas díspares.

• Detecção de anomalias: sistemas de IA são particularmente úteis para qualquer aplicação que exija reconhecimento de padrões. Tipos específicos de IA, conhecidos como redes neurais de grafos (GNN), são projetados para processar dados que podem ser representados como um grafo — formato comum no setor bancário. GNNs são capazes de processar bilhões de registros para identificar padrões em grandes volumes de dados e detectar até mesmo fraudes altamente complexas.

• Pontuação de risco: modelos de IA e aprendizado de máquina são baseados em dados ponderados para atribuir probabilidades a ações potenciais e avaliar a decisão ou ação mais precisa. Dessa forma, podem fazer avaliações com base em vários fatores — como valores de transação, frequência, localização e comportamento passado — tornando-os altamente adequados para determinar risco. Sistemas de IA podem avaliar o risco de uma transação específica, bem como o risco de conceder um empréstimo ou linha de crédito a possíveis solicitantes fraudulentos.

• Análise de redes: técnicas de aprendizado de máquina como a análise de grafos podem ser usadas para descobrir redes de possíveis fraudadores ao analisar relações entre entidades e identificar conexões ou agrupamentos suspeitos.

Sistemas de IA estão inaugurando uma nova era de detecção de fraudes e segurança no setor bancário, oferecendo melhorias significativas em relação aos métodos tradicionais. No entanto, os modelos de IA são construídos com base nos aprendizados e práticas dos sistemas tradicionais — e esses métodos ainda têm seu papel.

• Implementação simples: técnicas tradicionais de detecção de fraudes são baseadas em abordagens bem estabelecidas e orientadas por regras, sendo fáceis de executar. Por exemplo, sinalizar qualquer nova transação que ultrapasse determinada faixa média com base nos hábitos de consumo de uma conta específica.

• Inteligência humana: analistas humanos tradicionais de detecção de fraude trazem experiência prática, intuição e conhecimento especializado. Em certos casos, apenas uma pessoa treinada da forma tradicional pode verificar a legitimidade de uma transação ou identificar uma possível tentativa de fraude.

• Escopo limitado: sistemas tradicionais de detecção de fraudes, baseados em regras fixas (por exemplo, se X, então Y). Embora essa abordagem possa ser eficaz, ela também não incorpora as possíveis interações vastas e complexas entre muitos pontos de dados diferentes. 

• Escalabilidade limitada: à medida que o volume de transações aumenta, sistemas tradicionais conduzidos por analistas humanos enfrentam dificuldades para processar rapidamente a quantidade crescente de dados gerados a cada minuto. Contratar mais pessoas é caro — e pode não ser suficiente.

• Alta taxa de erro: os sistemas tradicionais baseados em regras são geralmente muito rígidos, acionando alertas sempre que um possível indicador de fraude é identificado. Essa rigidez pode gerar um volume elevado de falsos positivos. Por exemplo, se uma conta nunca realizou um saque acima de USD 100 e tenta sacar o dobro, o sistema provavelmente bloqueará a transação. Mas, embora esse comportamento seja incomum, ele não indica necessariamente fraude. Nesse caso, o cliente pode simplesmente precisar fazer um saque fora do padrão. Esses falsos positivos podem acionar investigações desnecessárias e causar atrasos, reduzindo a satisfação do cliente.

• Reconhecimento de padrões aprimorado: sistemas de IA são excelentes em ingerir grandes volumes de dados e reconhecer padrões complexos e sutis. Ao ter uma visão ampla, conseguem identificar atividades anômalas com mais precisão.

• Escalabilidade massiva: por meio da automação, sistemas de IA conseguem monitorar volumes de transações muito superiores ao que seria possível por seres humanos. A detecção de fraudes com IA permite análise em tempo real e oferece respostas mais rápidas que os métodos tradicionais.

• Adaptabilidade: uma vez treinados, algoritmos de IA não param de aprender. À medida que continuam operando, aprendem e se adaptam, melhorando sua capacidade de identificar novos tipos de fraude e aumentando sua eficácia.

• Dependência de dados: modelos de IA exigem volumes extremamente grandes de dados para treinar, aprender e evoluir. Esses dados precisam ser obtidos ou gerados (dados sintéticos), e também devem ser selecionados. A precisão de um modelo de IA depende da qualidade dos dados usados no treinamento.

• Implementação complexa: sistemas de IA podem ser desafiadores de integrar aos sistemas existentes. Embora os sistemas de IA gerem economia no longo prazo, eles também podem exigir um investimento inicial elevado.

Desde sua implementação, diversas instituições financeiras e bancos identificaram evidências significativas que justificam a adoção crescente da detecção de fraudes com IA. Utilizando modelos avançados de IA do tipo long short-term memory (LSTM), a American Express conseguiu melhorar a detecção de fraudes em 6%. E o PayPal conseguiu melhorar sua detecção de fraudes em tempo real em 10% por meio de sistemas de IA operando continuamente, em todo o mundo.

Na prática, os casos de uso da detecção de fraudes com IA no setor bancário são numerosos — e crescentes — incluindo os seguintes:

Como tecnologia revolucionária, a detecção de fraudes com IA já está causando um impacto expressivo no setor bancário — com um potencial ainda maior. No entanto, apesar das inúmeras vantagens oferecidas pela IA, essa nova tecnologia também apresenta desafios.

Os sistemas de IA estão melhorando a cada dia, mas não são infalíveis. Os modelos de IA geralmente podem gerar resultados imprecisos, conhecidos como alucinações. No setor bancário, resultados imprecisos podem ser mitigados com a criação de modelos hiperespecializados projetados para tarefas muito específicas, mas esse tipo de modelo limita o valor potencial da IA. Embora alucinações não sejam tão frequentes a ponto de tornar a IA inutilizável, aumentar a precisão será fundamental para o avanço da IA na proteção contra fraudes bancárias.

O viés na análise de dados é um problema que existe desde os primórdios da ciência, muito antes da tecnologia computacional. Infelizmente, o problema ainda persiste. No campo sensível dos serviços financeiros, muito trabalho tem sido feito para eliminar o viés e a discriminação nas práticas de concessão de crédito e proteção de contas. Eliminar o viés em modelos de IA criados por tecnólogos potencialmente tendenciosos é um desafio crítico que deve ser superado para evitar discriminação com base em fatores como sexo, etnia, deficiência e religião.

Questões de controle da privacidade de dados são vitais no setor bancário. Modelos de IA exigem acesso a grandes volumes de dados, que devem ser obtidos e processados de forma ética. Além disso, a implementação de IA deve ser cuidadosamente considerada para evitar a violação de leis de privacidade de dados existentes. Na verdade, à medida que essa nova tecnologia evolui, legisladores e órgãos reguladores podem precisar avaliar e atualizar o ambiente regulatório atual para garantir a privacidade dos clientes de forma segura.