Resumo

A detecção de fraudes em cartões de crédito (CCFD) é um problema desafiador, que requer a análise de grandes volumes de dados de transações para identificar padrões de fraude. Os grandes volumes de dados, juntamente com as técnicas em evolução dos fraudadores, tornam impossível para os investigadores humanos resolverem esse problema com eficiência. Na última década, a CCFD tem sido cada vez mais complementada com algoritmos de computador conhecidos como Aprendizado de Máquina (ML), que permitem pesquisar e detectar padrões em grandes quantidades de dados. Os algoritmos de ML demonstraram melhorar significativamente a eficiência dos sistemas de detecção de fraudes e auxiliar os investigadores de fraudes na detecção de transações fraudulentas.

A ML para CCFD tornou-se um campo de pesquisa ativo. Isso é ilustrado por um grande número de publicações sobre o tema e suas alegações promissoras. Ao mesmo tempo, deve-se ter cautela na interpretação dos resultados dessas publicações. Como foi apontado em Aprendizado de máquina para detecção de fraude em cartão de crédito, o campo da ML para CCFD é relativamente novo, e não existem benchmarks ou metodologias reconhecidas para comparar e avaliar as técnicas propostas Priscilla & Prabha (2019)Mekterović et al. (2018)Zojaji et al. (2016).

Este livro tem como objetivo dar um primeiro passo nessa direção, propondo implementações reproduzíveis e metodologias de linha de base para abordar o tópico de ML para CCFD. As implementações e metodologias propostas são baseadas em nossa experiência na área, seguindo nossa colaboração de dez anos entre o Grupo de Aprendizado de Máquina - Universidade de Bruxelas e a empresa processadora de pagamentos Worldline.