Human-Centered LLM-Agent System for Detecting Anomalous Digital Asset Transactions

Este artigo apresenta o HCLA, um sistema multiagente centrado no ser humano que utiliza agentes de linguagem para transformar intenções analíticas em regras explícitas, quantificar riscos em transações de ativos digitais e reconstruir justificativas rastreáveis no estilo de especialistas, visando aprimorar a transparência e a responsabilidade na forense financeira regulatória.

O essencial

Imagine que você tem um cofre digital cheio de moedas de criptomoeda. O problema é que o mundo das criptomoedas é como uma cidade gigante e caótica: há milhões de transações acontecendo a cada segundo, e alguns bandidos usam "máscaras" (ferramentas de privacidade) para esconder de onde o dinheiro veio e para onde está indo.

Detectar esses bandidos normalmente é tarefa apenas para especialistas em computadores que sabem programar códigos complexos. Mas e se você pudesse apenas conversar com um assistente inteligente para descobrir se algo está errado?

É exatamente isso que o HCLA faz. Vamos explicar como funciona usando uma analogia simples:

🕵️‍♂️ O Detetive com Três Especialistas

O HCLA não é apenas um robô; é uma equipe de três especialistas trabalhando juntos, como se fosse um escritório de detetives moderno:

1. O Tradutor (O "Parsing Agent"):

   • O que ele faz: Você chega e diz: "Ei, olhe minhas transações da última semana, algo parece estranho?". O robô não entende "última semana" ou "estranho" diretamente. O Tradutor pega essa frase comum e a transforma em uma lista técnica organizada (como um formulário preenchido) que o computador consegue ler.
   • Analogia: É como um secretário que pega o seu pedido falado e o escreve em uma linguagem que o chefe (o computador) entende perfeitamente.

2. O Analista de Dados (O "Detection Agent"):

   • O que ele faz: Ele recebe a lista do secretário e usa um cérebro matemático super rápido (chamado XGBoost) para varrer milhões de transações. Ele calcula a probabilidade de cada uma ser fraudulenta. Ele não usa "intuição", ele usa padrões matemáticos (como: "essa pessoa enviou muito dinheiro para um endereço desconhecido às 3 da manhã").
   • Analogia: É o detetive sênior que olha para as provas e diz: "Ok, essa transação tem 90% de chance de ser um crime".

3. O Explicador (O "Explanation Agent"):

   • O que ele faz: Aqui está a mágica. Em vez de apenas mostrar um número (90%), ele pega esse número e o transforma em uma história. Ele diz: "Essa transação é suspeita porque você enviou dinheiro para um endereço que nunca usou antes, logo após o horário de trabalho, e o valor foi muito alto."
   • Analogia: É o advogado que explica o veredito do juiz em português claro, para que você entenda o porquê da decisão, e não apenas o resultado.

🗣️ A Conversa (O Ciclo de Diálogo)

O legal do HCLA é que você não precisa parar por aí. Se você não entender a explicação, pode perguntar: "Por que o horário importa?" ou "Mostre apenas as transações de grandes valores".

O sistema lembra da conversa, ajusta a investigação e te dá uma nova resposta. É como ter um detetive particular que trabalha para você, e não apenas um relatório impresso que você joga na gaveta.

🧪 O Teste (Funciona de verdade?)

Os pesquisadores testaram esse sistema com um grupo de especialistas (como se fossem juízes ou auditores). Eles mostraram duas coisas para as pessoas:

1. Um painel de dados cheio de números e gráficos (o jeito antigo).
2. A explicação conversacional do HCLA (o jeito novo).

O resultado? As pessoas entenderam muito mais rápido, confiaram mais na decisão e se sentiram mais seguras com o HCLA. Elas conseguiram ver "através" da caixa preta do computador.

⚠️ Mas tem um "porém"?

Nada é perfeito. Como o sistema usa inteligência artificial avançada para conversar e pensar, ele é um pouco mais lento do que um computador simples que só calcula números. É como a diferença entre um cálculo mental rápido (rápido, mas difícil de entender) e uma conversa detalhada com um especialista (leva mais tempo, mas você entende tudo).

🚀 Conclusão

O HCLA é uma ferramenta que democratiza a segurança. Ele tira o "medo" e a "complexidade" da análise de criptomoedas. Em vez de precisar ser um gênio da computação para proteger seu dinheiro, você só precisa saber fazer perguntas.

É como transformar um manual de instruções de 500 páginas em uma conversa com um amigo esperto que sabe tudo sobre o assunto. Isso torna o mundo das finanças digitais mais transparente e seguro para todos nós.

Resumo técnico

Aqui está um resumo técnico detalhado do artigo "Human-Centered LLM-Agent System for Detecting Anomalous Digital Asset Transactions", apresentado em português:

1. Problema e Contexto

O ecossistema de Finanças Descentralizadas (DeFi) e ativos digitais enfrenta desafios crescentes na monitorização de riscos. Ferramentas de privacidade e misturadores (mixers) obscurecem a proveniência das transações, dificultando a detecção de atividades fraudulentas.

• Limitações Atuais: Os detectores de anomalias existentes são frequentemente "caixas-pretas" (black-box), exigem expertise técnica para operar e não oferecem explicações interpretáveis para não especialistas.
• Necessidade: Existe uma lacuna entre a precisão técnica dos modelos e a capacidade dos usuários (auditores, analistas, usuários comuns) de entender, questionar e confiar nos resultados da análise forense.

2. Metodologia: O Framework HCLA

O artigo propõe o HCLA (Human-Centered LLM-Agent), um sistema multi-agente que transforma a detecção de anomalias em um fluxo de trabalho conversacional. A arquitetura integra três agentes distintos, orquestrados por uma interface web (Gradio) e mensagens JSON:

A. Arquitetura de Agentes

1. Agente de Análise (Parsing Agent):
   • Função: Converte consultas em linguagem natural (ex: "Analise as transações da minha carteira da última semana") em esquemas JSON estruturados.
   • Tecnologia: Utiliza LLMs (ex: ChatGPT) com prompt engineering para extrair entidades (endereços, intervalos de tempo, valores) e resolver ambiguidades interativamente.
2. Agente de Detecção (Detection Agent):
   • Função: Calcula probabilidades de anomalia com base em características temporais, transacionais e de conectividade de grafos.
   • Tecnologia: O protótipo utiliza XGBoost como modelo base, mas a arquitetura é modular, permitindo a substituição por modelos de grafos (GNN) ou temporais sem alterar a lógica de orquestração.
3. Agente de Explicação (Explanation Agent):
   • Função: Traduz as pontuações numéricas e os recursos do modelo em narrativas em linguagem natural, fornecendo justificativas auditáveis.
   • Tecnologia: Utiliza LLMs (ex: Gemini) para gerar explicações contextuais (ex: "Alto risco devido a transferências repetidas para contrapartes não verificadas em horários fora de pico").

B. Fluxo de Interação (Loop Humano-no-Loop)

O sistema opera em um ciclo iterativo:

1. Consulta: O usuário faz uma pergunta em linguagem natural.
2. Processamento: O Agente de Análise gera o esquema JSON.
3. Detecção: O modelo XGBoost processa os dados e gera pontuações.
4. Explicação: O Agente de Explicação gera uma narrativa.
5. Refinamento: O usuário pode fazer perguntas de acompanhamento (ex: "Por que esta é de alto risco?" ou "Filtre apenas clusters ligados a exchanges"), e o ciclo se repete mantendo o contexto.

3. Dados e Avaliação

• Dataset: Utilizou-se um conjunto de dados rotulado de transações Bitcoin derivado do Wasabi Wallet (2020–2024), contendo ~318k transações normais e ~69k transações anômalas (envolvendo misturadores).
• Divisão: Treinamento em dados de 2020–2022 e teste em 2023–2024 para simular um cenário de implantação real.
• Métricas de Desempenho:
  • Precisão (Precision): 0.9317
  • Revocação (Recall): 0.9159
  • F1-Score: 0.9209
  • Latência: < 2 segundos por consulta no loop interativo.
• Estudo de Usuário Simulado:
  • Envolveu um painel de 32 "micro-especialistas" (AI e Ativos Digitais).
  • Comparou a saída do XGBoost (dashboard numérico) com as explicações do HCLA.
  • Resultados: O HCLA obteve pontuações significativamente superiores em confiança e clareza (p < .001) em comparação com a saída numérica pura.

4. Contribuições Principais

1. Fluxo de Trabalho Conversacional Modular: Uma abordagem que acopla intenções em linguagem natural com análises estruturadas, separando as preocupações em Análise, Detecção e Explicação. Isso permite melhorias em um módulo sem desestabilizar os outros.
2. Interpretabilidade e Auditabilidade: Transforma a detecção de anomalias de uma tarefa estática em um processo de raciocínio interativo. Cada etapa (Parsing → Detecção → Explicação) é visível e consultável, permitindo que usuários não técnicos verifiquem a consistência.
3. Acessibilidade: Remove a barreira de entrada para analistas e auditores, eliminando a necessidade de escrever código ou criar esquemas de dados manualmente.
4. Validação Empírica: Evidência de que a integração de LLMs para orquestração e explicação melhora a confiança do usuário e a compreensão sem sacrificar a precisão do detector subjacente.

5. Significado e Limitações

• Significado: O HCLA redefine a detecção de anomalias financeiras, posicionando a IA não apenas como um classificador, mas como um orquestrador de fluxos de trabalho analíticos que prioriza a "sensemaking" (compreensão) humana. É um passo crucial para a transparência na forense financeira digital.
• Limitações Identificadas:
  • Custo Computacional e Latência: O uso de LLMs introduz atrasos (2-3s), o que pode ser um desafio para monitoramento em tempo real de alto volume.
  • Adaptação de Domínio: LLMs genéricos podem ocasionalmente confundir terminologia específica de blockchain (ex: misturar "cluster" e "carteira"), exigindo fine-tuning futuro.
  • Escalabilidade: O protótipo atual lida bem com dados em lote, mas requer orquestração assíncrona para fluxos contínuos de blockchain.

Conclusão

O artigo demonstra que um sistema multi-agente centrado no humano, combinando a precisão de modelos clássicos (XGBoost) com a flexibilidade dos LLMs, pode superar as limitações dos sistemas tradicionais. O HCLA oferece um caminho escalável para uma detecção de anomalias explicável, adaptável e focada no usuário, essencial para a confiança e conformidade regulatória no ecossistema de ativos digitais.