Improving Credit Card Fraud Detection Using Ensemble Machine Learning Techniques

El detective digital y la aguja en el pajar

Imagina que caminas por una ciudad enorme y bulliciosa donde millones de personas compran café, pagan el alquiler y piden pizza cada segundo. En esta ciudad, hay carteristas intentando robar carteras, pero son increíblemente raros; tal vez solo 2 o 3 ladrones por cada 100 compradores honestos. Si contrataras a un guardia de seguridad cuyo único trabajo fuera detectar a estos ladrones, podría volverse muy bueno diciendo "¡Nadie está robando!", porque, estadísticamente, tiene razón casi todo el tiempo. ¡Pero ese es un mal trabajo para un guardia de seguridad! Si se le escapa incluso un solo ladrón, las consecuencias son enormes. Esta es la pesadilla diaria de las empresas de tarjetas de crédito en línea: tienen que encontrar a los estafadores diminutos y sigilosos que se esconden dentro de una montaña de transacciones perfectamente normales.

Para resolver esto, los científicos utilizan algo llamado Aprendizaje Automático (Machine Learning). Piensa en esto como un robot superinteligente que aprende leyendo la historia. Observa miles de transacciones pasadas para entender cómo es un gasto "normal" y cómo es un gasto "sospechoso". Sin embargo, hay un inconveniente: debido a que hay tan pocos casos de fraude, el robot se confunde. Es como intentar aprender cómo es un león mostrando al robot una sola foto de un león, mientras le muestras un millón de fotos de gatos. El robot simplemente pensará: "Ah, ¡todo es un gato!". Para solucionar esto, los investigadores utilizan un truco ingenioso llamado Redes Generativas Antagónicas (GANs). Puedes pensar en una GAN como un maestro falsificador y un maestro detective trabajando juntos. El falsificador intenta crear fotos de "leones" falsas que parezcan tan reales que engañen al detective, mientras que el detective se vuelve mejor detectando los falsos. Para cuando terminan, el detective ha visto suficientes "leones" como para finalmente reconocer a los reales. Este artículo explora cómo usar estos falsificadores y detectives digitales para atrapar a los ladrones de tarjetas de crédito de forma más rápida y astuta.

---

La gran idea del artículo: Enseñar a los robots a encontrar la aguja

En este estudio, un equipo de investigadores de la Universidad Cadi Ayyad en Marruecos decidió construir un mejor guardia de seguridad digital. Querían ver si podían combinar el truco del "falsificador" (GANs) con un equipo de diferentes robots de aprendizaje automático (llamado Aprendizaje de Conjunto o Ensemble Learning) para detectar el fraude con tarjetas de crédito en tiempo real. No solo querían un robot que fuera preciso; querían uno que fuera lo suficientemente rápido como para detener a un ladrón antes de que la transacción terminara.

Los investigadores comenzaron con un conjunto de datos del mundo real de un sitio web llamado AirportRental. Contenía 76,900 transacciones, pero aquí estaba el problema: solo 1,922 de ellas (aproximadamente el 2.5%) eran realmente fraudulentas. Era un pajar masivo con muy pocas agujas.

Primero, intentaron enseñar a sus robots con estos datos desequilibrados y desordenados. Como era de esperar, los robots priorizaron la clase mayoritaria. Eran tan buenos diciendo "Esta es una transacción normal" que pasaban por alto la mayor parte del fraude. Pero entonces, los investigadores introdujeron las GANs. Utilizaron al equipo de forjador-detective para crear ejemplos sintéticos (falsos pero realistas) de transacciones fraudulentas. Mezclaron estos nuevos ejemplos con los reales hasta que el conjunto de datos estuvo perfectamente equilibrado: 50% de transacciones normales y 50% de transacciones fraudulentas. De repente, los robots tenían una guía de estudio mucho mejor.

A continuación, probaron una alineación de diferentes modelos de aprendizaje automático para ver cuál era el mejor detective. Probaron:

• Regresión Logística y Naïve Bayes (pensadores simples y rápidos).
• KNN y SVM (pensadores más lentos y complejos).
• Random Forest y XGBoost (equipos poderosos de tomadores de decisiones trabajando juntos).

Midieron dos cosas: ¿Qué tan buenos eran para atrapar el fraude? (Esto se llama Recall o Exhaustividad). Y ¿qué tan rápidos eran? (Esto es el Tiempo de Ejecución).

Los resultados: El equipo veloz gana

Los experimentos demostraron que el truco del "falsificador" funcionó de maravilla. Cuando los robots aprendieron de los datos equilibrados creados por las GANs, su capacidad para detectar el fraude se disparó. En promedio, su Recall (la capacidad de encontrar a los malos) aumentó unos 25 puntos porcentuales. Esto significa que dejaron de perder a los ladrones de vista.

Entre todos los modelos probados, un equipo destacó como el claro campeón: XGBoost.

He aquí por qué XGBoost fue la estrella del espectáculo:

1. Fue el más preciso: Con los datos equilibrados, XGBoost logró una Precisión del 95% (estaba en lo cierto casi siempre que daba una alarma) y un Recall del 93% (atrapó casi todo el fraude). También tuvo un AUC-ROC del 99%, que es una forma elegante de decir que era casi perfecto distinguiendo entre transacciones buenas y malas.
2. Fue el más rápido bajo presión: Esta es la parte más emocionante. Los investigadores no solo probaron los robots uno por uno; simularon un conector de alquiler de aeropuertos muy concurrido donde cientos de transacciones ocurrían al mismo tiempo.
   • Al manejar solo 1 transacción, los modelos simples como Naïve Bayes fueron los más rápidos, tomando solo 0.09 milisegundos.
   • Pero a medida que la multitud crecía a 30 transacciones simultáneas, los modelos simples y los complejos (como KNN y SVM) comenzaron a ralentizarse drásticamente. El tiempo de KNN saltó a 18.45 ms, y el de SVM a 21.10 ms. Su rendimiento se "degradó" (empeoró) en más de un 800%.
   • XGBoost, sin embargo, mantuvo la calma. Incluso con 30 transacciones, solo tomó 2.90 milisegundos. Su rendimiento solo se volvió aproximadamente un 480% más lento, lo cual es la mejor estabilidad del grupo.

El artículo descarta explícitamente la idea de que los modelos simples más rápidos (como Naïve Bayes) sean la mejor opción para sistemas del mundo real. Aunque son rápidos para una tarea individual, no pueden manejar la hora punta de un día ocupado. El artículo también argumenta en contra de confiar en datos antiguos y desequilibrados, mostrando que sin el equilibrio de las GAN, incluso los mejores modelos luchan por encontrar el fraude.

El veredicto

El estudio concluye que la mejor manera de detectar el fraude con tarjetas de crédito es utilizar una GAN para crear un conjunto de entrenamiento equilibrado y luego dejar que un modelo de conjunto (Ensemble) como XGBoost realice la detección. Esta combinación te ofrece lo mejor de ambos mundos: un robot que es increíblemente bueno detectando a los estafadores diminutos y raros, y un robot que es lo suficientemente rápido como para detenerlos antes de que el dinero salga de tu cuenta.

Los autores sugieren que este enfoque es una solución robusta y escalable para los sistemas financieros del mundo real. No solo encontraron una victoria teórica; simularon la presión en tiempo real de un sistema de transacciones concurrido y demostraron que XGBoost puede soportar el calor. Aunque no afirmaron que esto sea la solución definitiva a todo el fraude (ya que los ladrones siempre están cambiando sus trucos), demostraron que esta combinación específica de herramientas es un paso adelante muy sólido, confiable y práctico para mantener seguras nuestras carteras digitales.