Aproveitando a visualização de dados, os bancos podem melhorar significativamente as suas capacidades de detecção de fraudes. Falei com Atmajitsinh Gohil, autor de Livro de receitas de visualização de dados Rsobre as tecnologias que transformam a luta contra a fraude financeira.
De acordo com o Relatório Nilsonas perdas globais com cartões de crédito deverão atingir US$ 43 bilhões até 2026. Atmajitsinh Gohil, um renomado autor de Livro de receitas de visualização de dados R, e um dos maiores especialistas em ferramentas habilitadas para IA, acredita que as técnicas de visualização de dados são cruciais na luta contra a fraude.
Atmajitsinh trabalhou com instituições financeiras para avaliar dados financeiros e desenvolver ferramentas habilitadas para IA para detecção de anomalias. Essas ferramentas habilitadas para IA identificam padrões nos dados e detectam possíveis fraudadores. Gohil desenvolveu ferramentas proprietárias de visualização de dados para identificar fraudes financeiras, proteger dados financeiros e detectar ameaças novas e emergentes.
Dele Livro de receitas de visualização de dados R aprofunda-se na linguagem de programação R, oferecendo conhecimento prático indispensável para todos, desde estudantes de análise de dados até formuladores de políticas.
“Hoje, os bancos dependem fortemente de modelos de aprendizagem automática que identificam crimes através da análise de conjuntos de dados”, disse Gohil. “A proporção de fraude nesses conjuntos de dados é muito pequena, o que torna a detecção um desafio.”
Atualmente, ele está trabalhando na validação de modelos de aprendizado de máquina para os maiores bancos do mundo. De acordo com Gohil, os criminosos usam várias táticas, como adquirir informações de clientes hackeadas na dark web, aproveitar a IA generativa para phishing de dados pessoais e lavar dinheiro por meio de criptomoeda.
Gohil é altamente qualificado em aproveitar a IA para mitigar perdas financeiras, uma estratégia que recentemente ganhou força entre as instituições financeiras. Por exemplo, Mastercard lançado um modelo generativo de IA para ajudar os bancos a avaliar melhor as transações suspeitas na sua rede.
Este algoritmo proprietário é treinado em dados de cerca de 125 bilhões de transações que passam pela rede de cartões da empresa a cada ano. Em média, a tecnologia da Mastercard pode melhorar as taxas de detecção de fraudes em 20% e, em alguns casos, levou a melhorias de até 300%.
Prevenção do crime financeiro
De acordo com Gohil, as empresas financeiras coletam grandes quantidades de dados de diversas transações, incluindo transferências de dinheiro e atividades de login. A identificação de atividades fraudulentas envolve a comparação do perfil de um indivíduo com dados históricos para detectar padrões suspeitos.
As técnicas inovadoras de visualização de dados de Gohil desempenham um papel crucial neste processo. “A visualização entra em ação através da criação de painéis que podem mostrar quantas pessoas estão fazendo login, seus gêneros, faixas etárias e onde a fraude está ocorrendo”, diz Gohil. “Isso ajuda a identificar se a fraude está concentrada em um determinado grupo demográfico ou região.”
Quando os modelos de fraude não apresentam um bom desempenho, os bancos fazem ajustes e utilizam técnicas de visualização para comparar modelos antigos e novos.
“Você pode visualizar dados para ver o desempenho pré e pós-mudança. Isso ajuda a entender se os ajustes reduziram os falsos positivos ou melhoraram as taxas de detecção”, acrescenta Gohil.
Os principais riscos para os bancos
À medida que a tecnologia avança, também avançam os métodos empregados pelos criminosos. “Os fraudadores se adaptam muito rapidamente. Eles trabalham agressivamente para quebrar o sistema, especialmente com a chegada da IA”, alerta Gohil. Por exemplo, a tecnologia pode ser usada para criar identidades falsas ou outras formas enganosas de violar sistemas bancários.
Um dos principais riscos que os bancos enfrentam é manter a confiança dos clientes e proteger os seus dados. “Manter o cliente satisfeito e garantir que sua identidade não seja divulgada são preocupações significativas”, observa Gohil.
A tecnologia de reconhecimento de voz, desenvolvida por fornecedores terceirizados, é uma dessas inovações que ajuda os bancos na identificação de chamadas fraudulentas. Esses sistemas podem analisar diversas entradas, como números de telefone e localizações geográficas, para sinalizar atividades suspeitas.
“O reconhecimento de voz pode identificar se uma chamada é fraudulenta com base em diferentes variáveis do modelo”, explica Gohil.
O futuro da prevenção de fraudes
As ameaças que os bancos enfrentam estão em constante evolução. E-mails de phishing, spam e comunicações falsas de CEOs são apenas algumas das táticas usadas pelos fraudadores. Gohil alerta que os bancos devem permanecer vigilantes e adotar novas tecnologias para proteger a si próprios e aos seus clientes.
Usando as técnicas de visualização de dados de Gohil, as empresas financeiras podem adotar IA para criar cenários onde identificam ameaças potenciais e tomam medidas de precaução. Por exemplo, marcar e-mails como internos ou pessoais ajuda os bancos a monitorar o fluxo de informações e a prevenir ataques de phishing.
Embora muitos bancos tenham ferramentas eficazes para detectar comportamentos incomuns que possam indicar fraude, essas ferramentas não são perfeitas. É por isso que as técnicas de visualização de dados de Gohil são cruciais para identificar padrões fraudulentos.
“A tecnologia avançada é essencial para distinguir entre transações legítimas e maliciosas”, disse ele. As empresas financeiras só podem avaliar com precisão a eficácia dos seus sistemas de detecção de fraude aproveitando os dados.
Crédito da imagem em destaque: Eduardo Soares/Unsplash
