Pode parecer que as tecnologias de IA e machine learning acabaram de ser inventadas ou são obra de ficção científica
Por Fabrício Ikeda
A aplicação de tecnologias como inteligência artificial (IA) e machine learning para reduzir a ocorrência de fraudes em meios de pagamentos tem um grande histórico de sucesso, sendo que a maioria dos consumidores não suspeita que por trás do sistema existe um conjunto brilhante de algoritmos que colabora com sua proteção.
Dessa forma, é fundamental analisarmos como essas soluções antifraude são fundamentais para o funcionamento e a eficiência do nosso sistema financeiro.
A segurança dos pagamentos ganhou ainda mais evidência no Brasil por conta da criação do Pix – sistema de transações bancárias instantâneas desenvolvido pelo Banco Central – e do crescente volume de compras online na pandemia, como reforçam alguns importantes dados de mercado.
No caso do varejo, o crescimento das vendas online em 2020 foi de 68% em relação ao ano anterior, segundo levantamento da Associação Brasileira de Comércio Eletrônico (ABComm).
Ao mesmo tempo, de acordo com a FEBRABAN (Federação Brasileira de Bancos), as instituições financeiras registraram no ano passado um aumento de 80% nas tentativas de ataques online.
O assunto desperta bastante curiosidade, sendo às vezes difícil para muitos distinguir o mito da realidade. Pode parecer que as tecnologias de IA e machine learning acabaram de ser inventadas ou são obra de ficção científica, mas elas já são utilizadas há bastante tempo e fazem parte de uma das diversas camadas que protegem os consumidores contra fraudes nos meios de pagamentos.
O machine learning se refere a técnicas analíticas que “aprendem” padrões em conjuntos de dados sem serem guiados por um analista humano. Já a IA refere-se à aplicação mais ampla de tipos específicos de análises para realizar tarefas, desde dirigir um carro até identificar uma transação fraudulenta.
Para nossos objetivos, pense no machine learning como uma forma de construir modelos analíticos e na IA como o uso desses modelos.
A tecnologia do machine learning ajuda os cientistas de dados a determinar com eficiência quais transações têm maior probabilidade de serem fraudulentas, enquanto reduz significativamente os falsos positivos.
As técnicas são extremamente eficazes na prevenção e detecção de fraudes, pois permitem a descoberta automatizada de padrões em grandes volumes de transações contínuas.
Se aplicado corretamente, o machine learning pode distinguir claramente comportamentos legítimos e fraudulentos, enquanto se adapta com o passar do tempo a novas táticas de fraude. Isso pode se tornar bastante complexo, pois é necessário interpretar padrões nos dados para melhorar continuamente a capacidade de distinguir o comportamento normal do anormal – o que demanda que milhares de cálculos sejam realizados com precisão em milissegundos.
Sem uma compreensão adequada da tecnologia, de dados enviesados e de técnicas de ciência de dados específicas para fraudes, você pode facilmente empregar algoritmos de machine learning que aprendem conceitos equivocados, resultando em um erro caro e difícil de resolver.
Assim como as pessoas podem aprender hábitos ruins, um modelo de machine learning mal arquitetado também pode seguir o mesmo caminho.
O crime organizado aplica golpes dos mais simples aos mais complexos.
Desde roubos de celulares que aumentaram consideravelmente nos últimos meses até golpes mais sofisticados, envolvendo dados roubados e engenharia social. Os criminosos estão em constante adaptação e as tecnologias antifraude são fundamentais para a operação, a eficiência e a confiança do sistema financeiro brasileiro.
Ao se escolher uma combinação ideal de soluções de IA e machine learning, com a supervisão de especialistas, será possível detectar novas formas de comportamentos suspeitos, reconhecendo rapidamente os mais sutis padrões de fraude ou golpes que já foram observados em bilhões de transações.
O que RPA, Machine Learning e Inteligência Artificial podem representar para o futuro das empresas
Inteligência Artificial e Machine Learning: Os desafios de implementar as tecnologias do momento
Você quer acompanhar nosso conteúdo? Então siga nossa página no LinkedIn!
