Aplicações de inteligência artificial na mitigação de fraudes e identificação de anomalias em instituições financeiras

Abstract

A detecção de fraudes em transações financeiras é um desafio crítico para assegurar a segurança e a integridade das instituições do setor. Com a crescente sofisticação das práticas fraudulentas, torna-se indispensável o aprimoramento contínuo dos modelos de detecção. Nesse contexto, os avanços em inteligência artificial assumem papel fundamental, oferecendo soluções capazes de identificar e mitigar ameaças de forma mais eficaz. Neste contexto, este trabalho tem como objetivo desenvolver aplicações e métodos de inteligência artificial voltados à melhoria de modelos de prevenção a fraudes e detecção de anomalias na indústria financeira, abordando lacunas e desafios identificados na área. Em destaque, apresenta, de forma inédita, a proposição de um modelo SLM para geração de dados sintéticos utilizando inteligência artificial generativa, visando o balanceamento de classes. Para alcançar o objetivo proposto, este trabalho está estruturado em um capítulo introdutório seguido de quatro artigos, apresentados nos capítulos subsequentes. O segundo capítulo estabelece o referencial teórico, abordando conceitos fundamentais sobre fraudes, ciência de dados e modelos analíticos. Na sequência, o terceiro capítulo apresenta uma revisão sistemática da literatura, utilizando técnicas de bibliometria e análise de redes complexas para mapear relações de citação entre estudos e evidenciar os principais desafios do tema: desbalanceamento de classes, necessidade de detecção em tempo real, interpretabilidade e escassez de dados rotulados. Com base nesses achados, o quarto capítulo propõe modelos de IA generativa voltados à criação de dados sintéticos, visando corrigir o desequilíbrio de classes. Nesse contexto, é introduzido o modelo Aurora de SLM, projetado especificamente para geração de dados sintéticos. Por fim, o quinto capítulo apresenta um estudo de caso que contempla o desenvolvimento e a aplicação empírica de um modelo de detecção de anomalias para pessoas físicas. A relevância desta pesquisa transcende o âmbito acadêmico, estendendo-se à indústria financeira e aos profissionais dedicados à prevenção de fraudes, oferecendo soluções para lacunas críticas do setor, especialmente no que se refere ao desbalanceamento de classes. A principal contribuição reside no aprimoramento de técnicas consolidadas, na aplicação empírica rigorosa, na análise crítica dos resultados e, sobretudo, na promoção da inovação por meio da proposição de uma solução original para os desafios de geração de dados sintéticos e data augmentation.