Tecnologia
Como usar Inteligência Artificial para detecção de fraudes
2 minutos de leitura
As possibilidades de uso de Inteligência Artificial no dia a dia são amplas, indo de análise de reuniões e aceleração do desenvolvimento de software a detecção de fraudes. Essa última já foi colocada em prática pelo nosso time há alguns anos, beneficiando um de nossos clientes.
O desafio da prestadora de serviços era reduzir os atos de má-fé que vinha sofrendo. O time CWI, então, produziu uma solução que utiliza IA para avaliar anomalias nos atendimentos oferecidos e identificar suspeitos de fraude.
Continue a leitura para saber mais sobre os recursos que utilizamos – talvez também sejam úteis para o seu cenário!
Machine learning para um sistema de detecção de fraudes cada vez melhor
O ponto de partida do projeto foi a identificação de quais dados poderiam compor a solução. Informações sobre produtos recomendados, por exemplo, poderiam indicar algum tipo de exagero. Da mesma forma, olhar para os horários de registro dos atendimentos poderia fazer surgir algum tipo de incoerência.
O time de Engenharia de Software Estratégica iniciou o trabalho com o objetivo de identificar um cenário de possível fraude para que o nosso cliente pudesse intervir antes da concretização. O machine learning, subconjunto da Inteligência Artificial, foi a abordagem escolhida para o projeto. Assim, o sistema poderia melhorar a detecção de fraudes ao longo do tempo com base na experiência.
Anteriormente, os dados eram armazenados em formato relacional. Porém, essa configuração não favorece o uso em modelos de aprendizagem de máquina. Por isso, os dados foram trabalhados de modo a se tornarem úteis para técnicas de machine learning.
Estatística a serviço da Inteligência Artificial
Na solução desenvolvida pela CWI, a análise de dados foi feita de diferentes formas. Uma delas usou o conceito de escore-z (z-score ou escore padrão), técnica estatística que relaciona um valor à média de um grupo de valores. Em outras palavras, o quanto se afasta da média no desvio padrão.
Essa abordagem se aplica quando é necessário padronizar e comparar dados em uma distribuição, como no caso dos agendamentos de atendimento médico. Nosso time observou que, nos casos em que há sequência, os horários estão interligados e têm padrões no período entre agendas e na hora do dia em que acontecem.
Como faz sentido que sejam analisados em grupo, o time identificou então o escore-z do horário dos atendimentos e o escore-z do intervalo de tempo entre os atendimentos. A partir disso, foi possível tornar as variáveis comparáveis entre si e identificar anomalias, fazendo a detecção de fraudes.
A solução colaborou para uma economia de recursos do nosso cliente. A teoria por trás dela pode ser aplicada em muitos outros contextos, entre em contato e conte conosco para encontrar maneiras de usar a Inteligência Artificial para otimizar resultados!
