Multilingual Financial Fraud Detection Using Machine Learning and Transformer Models: A Bangla-English Study

Este estudo investiga a detecção de fraude financeira em contextos multilíngues (Bangla e Inglês), demonstrando que modelos clássicos de aprendizado de máquina, como SVM Linear, superam arquiteturas baseadas em transformers em precisão geral, embora os transformers apresentem maior capacidade de recuperação de fraudes, ao mesmo tempo em que destacam padrões linguísticos distintivos e os desafios impostos pela diversidade linguística e codificação mista.

O essencial

Imagine que o mundo financeiro digital é como uma praça movimentada e gigante. Nela, milhões de pessoas trocam dinheiro todos os dias. Mas, infelizmente, nessa mesma praça, existem muitos golpistas tentando enganar as pessoas com mensagens falsas, prometendo prêmios que não existem ou pedindo dados bancários sob ameaça.

O objetivo deste estudo foi criar um detetive digital capaz de ler essas mensagens em duas línguas ao mesmo tempo: Inglês (a língua universal das finanças) e Bangla (a língua falada por mais de 250 milhões de pessoas, mas que muitas vezes é ignorada pela tecnologia).

Aqui está a história da pesquisa, explicada de forma simples:

1. O Problema: O Detetive que só fala uma língua

Até hoje, a maioria dos sistemas de segurança contra fraudes foi treinada apenas para entender mensagens em Inglês. É como ter um guarda de segurança que só sabe identificar ladrões que falam inglês, mas deixa passar todos os golpistas que falam bengali ou misturam as duas línguas. Como o Bangla é uma língua com menos recursos digitais (menos livros, menos dados na internet para a IA aprender), os modelos de inteligência artificial costumam ter dificuldade com ela.

2. A Missão: Testar dois tipos de "olhos"

Os pesquisadores decidiram testar dois tipos de "olhos" para ver quem detecta melhor o golpe nessa praça multilíngue:

• O Detetive Clássico (Máquinas Tradicionais): Imagine um detetive experiente que usa uma lupa e uma lista de palavras-chave. Ele não "entende" a emoção da frase, mas sabe que se a mensagem tiver palavras como "URGENTE", "AGORA", ou se tiver um número de telefone e um link (URL) estranho, é provavelmente um golpe. Ele usa uma técnica chamada TF-IDF, que é basicamente contar e pesar essas palavras importantes.
• O Detetive Moderno (Transformadores/IA Avançada): Imagine um detetive superinteligente, como um super-herói da leitura, que leu quase tudo na internet. Ele tenta entender o contexto, o tom e a intenção da frase, mesmo que as palavras estejam misturadas (inglês com bengali).

3. O Que Eles Encontraram? (As Pistas)

Antes de escolher o vencedor, eles olharam para as mensagens e notaram padrões curiosos, como se estivessem analisando a "impressão digital" dos golpistas:

• Tamanho: As mensagens de golpe tendem a ser mais longas e chatas, tentando convencer você com muitos detalhes.
• Urgência: Golpistas usam palavras de pânico ("Corra!", "Agora!", "Renove já!").
• A "Arma" Secreta: Quase 97% das mensagens de golpe continham um número de telefone e 32% continham um link. Mensagens legítimas (de bancos reais) raramente usam isso; elas costumam confirmar transações específicas ("Seu pagamento de 500 Taka foi feito").

4. O Resultado da Batalha: Quem venceu?

Aqui vem a surpresa! Esperávamos que o "Super-Herói" (o modelo de IA moderno) ganhasse fácil. Mas não foi bem assim:

• O Vencedor (O Detetive Clássico): O modelo Linear SVM (o detetive com a lupa e a lista de palavras) venceu com 91,59% de precisão. Ele foi muito bom em não confundir pessoas inocentes com golpistas.
• O Vice (O Super-Herói): O modelo de IA moderna (Transformer) ficou em segundo lugar com 89,49%.

Por que o Super-Herói perdeu?
O Super-Herói era muito "paranoico". Ele detectava quase todos os golpistas (o que é bom), mas também acusava muitas pessoas inocentes de serem golpistas (falsos positivos). Ele estava tão focado em encontrar fraudes que, às vezes, gritava "Fogo!" quando só havia fumaça. O Detetive Clássico, por outro lado, era mais equilibrado: acertava mais vezes no geral e não incomodava os clientes honestos tanto quanto o outro.

5. A Lição Final

A pesquisa nos ensina uma lição valiosa: Às vezes, a tecnologia mais simples e bem feita é melhor do que a mais complexa, especialmente quando lidamos com línguas menos comuns ou misturadas (como inglês com bengali).

O modelo antigo, que apenas contava palavras suspeitas e verificava a presença de números e links, funcionou melhor do que a inteligência artificial mais avançada neste cenário específico. Isso mostra que, para proteger o dinheiro das pessoas em países com línguas diversas, não precisamos necessariamente da tecnologia mais cara; precisamos de ferramentas que entendam as pistas simples que os golpistas deixam para trás.

Resumo em uma frase:
Para pegar golpistas que falam inglês e bengali misturados, um "detetive" que sabe contar palavras suspeitas e verificar números de telefone funcionou melhor do que um "super-herói" de inteligência artificial que tentava entender tudo, provando que às vezes o básico bem feito é o caminho mais seguro.

Resumo técnico

Resumo Técnico: Detecção de Fraude Financeira Multilíngue (Bangla-Inglês)

1. Problema e Motivação

A rápida expansão das plataformas financeiras digitais aumentou a complexidade e a escala das transações, criando novas oportunidades para atividades fraudulentas (como phishing e anúncios enganosos). Embora técnicas de Aprendizado de Máquina (ML) e Processamento de Linguagem Natural (NLP) sejam amplamente utilizadas para detectar fraudes, a maioria das pesquisas existentes foca exclusivamente em dados em inglês.

O Bangla (Bengali), falado por mais de 250 milhões de pessoas, é uma língua de baixo recurso (low-resource) neste domínio. A comunicação financeira real, especialmente no Sul da Ásia, frequentemente envolve multilinguismo e code-mixing (mistura de línguas, ex: Bangla e Inglês no mesmo texto). A escassez de conjuntos de dados rotulados, a morfologia complexa e a mistura de códigos representam desafios que os modelos centrados no inglês não conseguem abordar adequadamente.

2. Metodologia

O estudo investigou a detecção de fraudes financeiras em um cenário multilíngue (Bangla-Inglês) utilizando um conjunto de dados composto por mensagens legítimas e fraudulentas. A abordagem comparou duas categorias principais de modelos:

• Abordagem Clássica (ML Tradicional):
  • Extração de Recursos: Utilização de TF-IDF (Term Frequency–Inverse Document Frequency) com representações de unigramas e bigramas para capturar padrões contextuais locais.
  • Algoritmos: Regressão Logística, Máquinas de Vetores de Suporte (SVM) Lineares e Classificadores de Ensemble.
• Abordagem Baseada em Transformers:
  • Arquiteturas de Transformers multilíngues que utilizam mecanismos de auto-atenção para aprendizado de representações contextuais profundas e transferência de conhecimento entre línguas.

Validação: Todos os modelos foram avaliados utilizando validação cruzada estratificada de 5 dobras (5-fold stratified cross-validation) para garantir robustez. As métricas principais incluíram Acurácia, F1-Score (macro) e PR-AUC (Área sob a Curva de Precisão-Recall).

3. Principais Contribuições

• Pioneirismo no Domínio: Estudo focado na detecção de fraude financeira em um contexto multilíngue Bangla-Inglês, uma área de pesquisa subexplorada.
• Comparação de Arquiteturas: Análise empírica direta entre modelos clássicos de ML e arquiteturas modernas de Transformers em dados de baixo recurso e mistos.
• Análise de Características Linguísticas: Identificação de padrões discriminativos específicos entre mensagens legítimas e fraudulentas neste contexto linguístico.

4. Resultados Experimentais

A. Análise Exploratória de Dados:

• Comprimento: Mensagens fraudulentas tendem a ser mais longas (pico de 70-75 caracteres) comparadas às legítimas (50-60 caracteres).
• Composição Linguística: O inglês domina (~80%), seguido pelo Bangla (15-17%) e uma pequena parcela de texto misto.
• Indicadores Estruturais:
  • Mensagens fraudulentas contêm frequentemente URLs (32%) e números de telefone (97%), além de termos de urgência ("agora", "verificar").
  • Mensagens legítimas focam em confirmações transacionais e referências a moedas específicas, sem presença significativa de URLs ou telefones.

B. Desempenho dos Modelos:

• Modelos Clássicos (Vencedores):
  • O SVM Linear obteve o melhor desempenho global, com 91,59% de acurácia e 91,30% de F1-Score.
  • A Regressão Logística e o Ensemble também performaram muito bem, superando o Transformer.
  • Os modelos clássicos apresentaram menor variância entre as dobras, indicando maior estabilidade.
• Modelo Transformer:
  • Alcançou 89,49% de acurácia e 88,88% de F1-Score, ficando cerca de 2 pontos percentuais atrás do SVM Linear.
  • Trade-off: O Transformer exibiu uma alta recall para fraudes (94,19%), detectando quase todas as mensagens fraudulentas, mas sofreu com uma taxa de falsos positivos elevada (37 mensagens legítimas classificadas como fraude), resultando em menor precisão na detecção de mensagens legítimas (Ham).

C. Análise de Erros:

• O SVM Linear cometeu o menor número total de erros (44 em 523 amostras), enquanto o Transformer cometeu o maior (55 erros).
• O Transformer demonstrou viés em prever a classe "fraude", o que pode ser útil em cenários de alto risco onde o custo de perder uma fraude é maior que o de um falso alarme, mas é prejudicial para a experiência do usuário em sistemas de produção devido a bloqueios desnecessários.

5. Significado e Conclusão

O estudo conclui que, em cenários de baixo recurso e multilíngues com code-mixing, modelos clássicos de ML com recursos bem projetados (TF-IDF) permanecem competitivos e, neste caso, superiores às arquiteturas de Transformers complexas.

• Desafios Identificados: A diversidade linguística e a mistura de códigos limitam a eficácia tanto das representações TF-IDF (que tratam línguas independentemente) quanto dos Transformers (que podem ter vocabulário financeiro específico em Bangla insuficiente durante o pré-treinamento).
• Implicações Futuras: O trabalho sugere que, para ambientes com restrições de recursos e dados mistos, soluções mais simples e estáveis podem ser preferíveis. Futuras pesquisas devem explorar modelos multilíngues ajustados (fine-tuned), abordagens híbridas (TF-IDF + Embeddings de Transformer) e a criação de conjuntos de dados maiores e anotados especificamente para fraudes em línguas de baixo recurso.

Em suma, o artigo demonstra que a complexidade de modelos profundos nem sempre se traduz em melhor desempenho quando os dados são escassos e linguisticamente diversos, validando a eficácia contínua de abordagens clássicas na detecção de fraudes financeiras multilíngues.