🤖 AI

An AI Security Agent for Banking: Multi-Vector Fraud and AML Detection Across Retail and Corporate Accounts

Este artigo apresenta um agente de segurança de IA multivetorial para o setor bancário que funde fluxos de dados de transações e sessões usando uma arquitetura híbrida de modelos de sequência LSTM, monitores estatísticos e redes de grafos para detectar simultaneamente fraudes baseadas em assinaturas e crimes financeiros comportamentais, alcançando pontuações F1 significativamente superiores às de baselines baseados em regras ou de modelo único, ao mesmo tempo em que fornece respostas automatizadas de baixa latência e suporte ao analista.

Autores originais: Joseph Walusimbi, Joshua Benjamin Ssentongo

Publicado 2026-06-17

📖 7 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Joseph Walusimbi, Joshua Benjamin Ssentongo

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine um banco como uma cidade enorme e movimentada. Todos os dias, milhões de pessoas (contas) movimentam dinheiro, fazem login e realizam compras. Normalmente, isso é normal. Mas, às vezes, criminosos tentam se infiltrar, roubar identidades ou lavar dinheiro sujo.

Este artigo apresenta um novo "Guarda de Segurança de IA" projetado para proteger tanto pessoas comuns (varejo) quanto grandes empresas (corporativo) nesta cidade. Os autores, Joseph Walusimbi e Joshua Benjamin Ssentongo, da Universidade de Soroti, em Uganda, construíram este guarda porque as formas antigas de capturar criminosos não estão funcionando bem o suficiente mais.

Aqui está como o artigo explica o problema e a sua solução, usando analogias simples:

1. O Problema: Dois Tipos Diferentes de Criminosos

O artigo diz que os bancos enfrentam dois tipos de ameaças muito diferentes, e os antigos sistemas de segurança (chamados de "Motores de Regras") são como um segurança de boate que só verifica uma coisa específica.

O "Segurança" (Regras Antigas): Este guarda procura por sinais de alerta óbvios. Se alguém tentar sacar US$ 10.000 em 5 minutos, ou usar um cartão em dois países diferentes ao mesmo tempo, o guarda o interrompe. Isso funciona muito bem para ataques de força bruta (como tentar adivinhar uma senha) ou clonagem de ATM.
O "Camaleão" (Novas Ameaças): Depois, existem os criminosos sorrateiros.
- BEC (Comprometimento de E-mail Empresarial): Imagine que um criminoso hackeia o e-mail de um CEO e envia um e-mail com aparência normal para o contador dizendo: "Por favor, envie a folha de pagamento para esta nova conta bancária". O valor é normal, o horário é normal e a pessoa parece real. O antigo "Segurança" não vê nada de errado e deixa o dinheiro ir.
- Lavagem de Dinheiro: Imagine alguém quebrando uma grande pilha de dinheiro sujo em pequenas pilhas que parecem legais para esconder a origem. Nenhuma transação individual parece suspeita, mas o padrão de muitas pequenas transações é o crime.

O artigo argumenta que o antigo "Segurança" é cego para esses "Camaleões" porque eles não quebram nenhuma regra individual; eles apenas parecem uma atividade normal.

2. A Solução: Um "Super-Guarda" de Três Partes

Os autores construíram um novo agente de IA que atua como uma equipe de detetives de três pessoas trabalhando juntas em duas diferentes "câmeras de vigilância" (fluxos de dados).

As Duas Câmeras:

A Câmera de Transação: Observa o movimento de dinheiro (passar cartões, transferências eletrônicas).
A Câmera de Sessão: Observa pessoas fazendo login, alterando senhas ou adicionando novos beneficiários.

Os Três Detetives (A Arquitetura de Fusão):
Sempre que um evento acontece, esses três detetives dão seu parecer para decidir se é um crime:

Detetive 1: O Aprendiz de Padrões (LSTM): Este detetive lembra do seu histórico. "Ei, o Sr. Smith costuma comprar café às 8 da manhã em Kampala. Por que você está comprando subitamente um barco às 3 da manhã em Londres?" Ele aprende seus hábitos pessoais ao longo do tempo.
Detetive 2: O Velocímetro (Monitor de Limiar): Este detetive observa a velocidade e o volume. "Uau, isso são 50 transações em um minuto!" ou "Isso é uma grande quantia de dinheiro depositada logo antes do limite." Ele captura os surtos óbvios.
Detetive 3: O Criador de Mapas (Módulo de Grafo): Este detetive observa as conexões entre as pessoas. "Esta conta está recebendo dinheiro de 50 estranhos e imediatamente enviando tudo para fora." Ele detecta redes de lavagem de dinheiro (mulas) que parecem normais individualmente, mas são estranhas quando conectadas.

O Veredito:
A IA combina as opiniões de todos os três detetives em uma única "Pontuação de Risco". Se a pontuação for alta, o sistema toma uma ação.

3. Como Ele Reage (A Resposta)

O sistema não apenas grita "Criminoso!" e interrompe tudo. Ele possui quatro níveis de resposta, como um sistema de semáforo:

Risco Baixo: Apenas registre no log.
Risco Médio: Peça ao usuário uma prova extra (como um código via SMS) ou coloque uma "retenção suave" temporária no dinheiro.
Risco Alto: Interrompa a transação imediatamente e alerte um analista humano.
Risco Crítico: Congele a conta, chame a polícia (analista) e prepare um relatório para os reguladores.

O Assistente Chatbot:
Se uma transação parecer suspeita, o sistema envia automaticamente uma mensagem ao cliente: "Foi você?"

Se o cliente disser "Sim" e provar sua identidade com um código, o dinheiro é liberado.
Se o cliente disser "Não", a conta é congelada instantaneamente.
O sistema também monitora para "Redefinições em Massa" (onde um hacker tenta redefinir senhas de 100 pessoas ao mesmo tempo) e interrompe esse ataque antes que ele se espalhe.

O Assistente do Analista:
Quando um guarda de segurança humano precisa investigar um crime, esta IA escreve um resumo para ele. Ela diz: "Isso parece um ataque de 'Comprometimento de E-mail Empresarial'. Aqui estão os 3 passos que você deve seguir a seguir". Isso economiza horas de leitura para o humano.

4. Os Resultados: Funcionou?

Os autores testaram seu sistema usando uma cidade simulada (um conjunto de dados falsos de 237.000 transações e 113.000 sessões de login) porque não podiam usar dados bancários reais por questões de privacidade.

Eles compararam seu "Super-Guarda" contra:

O antigo "Segurança" (sistema baseado em regras).
Um sistema que usava apenas o "Aprendiz de Padrões" (apenas LSTM).

O Placar:

Antigo Segurança: Capturou cerca de 56% dos crimes de transação e 73% dos crimes de login. Ele perdeu completamente os ataques "Camaleão" (BEC e lavagem de dinheiro).
Apenas LSTM: Capturou cerca de 65% dos crimes de transação.
O Novo Agente de IA: Capturou 78,7% dos crimes de transação e 86,7% dos crimes de login.

Vitórias Chave:

Detecção de BEC: O sistema antigo teve uma taxa de sucesso de 0% contra o Comprometimento de E-mail Empresarial. A nova IA conseguiu capturar alguns deles ao notar que adicionar um novo beneficiário e imediatamente enviar uma grande soma era uma sequência de eventos estranha, mesmo que o valor parecesse normal.
Velocidade: O sistema é incrivelmente rápido. Mesmo para os crimes mais críticos, ele toma uma decisão em menos de meio milissegundo (0,43 ms), o que é mais rápido do que um humano pode piscar.

5. Limitações (O que o Artigo Admite)

Os autores são honestos sobre o que seu sistema ainda não consegue fazer:

É uma Simulação: Eles testaram em dados falsos. Dados bancários reais são mais desordenados, e eles admitem que o sistema precisa ser retreinado com dados do mundo real antes de poder ser usado em um banco real.
Novas Contas: O "Aprendiz de Padrões" precisa de cerca de 10 transações passadas para conhecer um cliente. Se uma conta nova é aberta, a IA é menos eficaz durante o primeiro mês.
Lavagem de Dinheiro Complexa: Embora tenha melhorado na detecção de lavagem de dinheiro, o sistema ainda tem dificuldades com esquemas de "camadas" (layering) muito complexos, onde o dinheiro se move através de muitas contas.

Resumo

Em suma, este artigo apresenta um sistema de segurança inteligente e de múltiplas camadas para bancos. Em vez de olhar apenas para "números ruins", ele observa o comportamento, a velocidade e os relacionamentos. Ele combina a velocidade das regras com a memória da IA para capturar tanto os ladrões barulhentos e óbvios quanto os silenciosos e sorrateiros, ao mesmo tempo em que ajuda os clientes a verificar sua própria identidade e ajuda os guardas humanos a trabalhar mais rápido.

Resumo Técnico: Um Agente de Segurança de IA para o Setor Bancário

Declaração do Problema
As instituições financeiras enfrentam atualmente um cenário de ameaças duplo e divergente que as arquiteturas de segurança existentes têm dificuldade em abordar simultaneamente. De um lado estão os ataques de fraude baseados em assinatura (ex: ataques de cartão não presente, brute-force de credenciais, clonagem de ATM) caracterizados por eventos individualmente anômalos detectáveis por regras de limiar estáticas. Do outro lado estão os crimes financeiros comportamentais (ex: Business Email Compromise - BEC, estruturação e camadas de lavagem de dinheiro, redes de mulas) onde transações individuais parecem legítimas; a anomalia existe apenas na relação entre transações, contas ou janelas de tempo.

Os atuais motores de regras estáticas são estruturalmente cegos a esses padrões comportamentais, enquanto muitas abordagens de aprendizado de máquina visam apenas categorias únicas de fraude ou fluxos de dados únicos (apenas transações). Há uma falta de agentes operacionais unificados que integrem detecção de fraude, Prevenção à Lavagem de Dinheiro (AML) e capacidades de resposta automatizada em todos os setores bancários de varejo e corporativo.

Metodologia
O artigo propõe um Agente de Segurança de IA unificado apresentando uma arquitetura de fusão de três componentes que opera em dois fluxos de eventos paralelos:

Fluxo de Transação: Abrange eventos financeiros (compras com cartão, transferências eletrônicas, saques em ATM, depósitos em dinheiro).
Fluxo de Sessão: Abrange eventos de autenticação e interface de usuário (logins, desafios de MFA, adição de beneficiários, exportações em massa).

Motor de Detecção Central
Para cada fluxo, um escore de risco composto ( $R$ ) é calculado através da fusão de três submódulos via uma camada de regressão logística:

Modelo de Sequência ( $s_{seq}$ ): Uma rede LSTM treinada em janelas deslizantes ( $L=10$ ) de histórico comportamental por conta. Ela aprende linhas de base para montantes de transações, velocidade e familiaridade com a contraparte para detectar anomalias em sequências temporais.
Monitor de Limiar ( $s_{thresh}$ ): Uma extensão contínua da lógica baseada em regras que normaliza sinais como z-scores de valores, razões de velocidade (transações por 10 minutos), agregados de estruturação (depósitos em dinheiro rotativos de 7 dias vs. limites de CTR) e sinais de novas contrapartes.
Módulo de Grafo/Rede ( $s_{graph}$ ): Um proxy leve para Redes Neurais de Grafos (GNNs) que captura padrões de relacionamento entre conta e contraparte. Ele computa recursos rotativos de 24/48 horas incluindo fan-in (remetentes de entrada distintos), fan-out (destinatários de saída distintos) e razões de passagem (pass-through). Também sinaliza viagens impossíveis (mudanças de cidade dentro de intervalos de tempo fisicamente implausíveis) e reativação de contas inativas.

Fusão e Resposta
O escore de risco final é $R = \max(R_{txn}, R_{sess})$ , garantindo que um evento crítico em qualquer um dos fluxos dispare uma resposta apropriada. Um mecanismo de sobreposição de submodelo único é empregado: se a LSTM tiver alta confiança ( $s_{seq} \geq 0.90$ ) mas os outros sinais forem baixos (comum em BEC onde montantes e redes parecem normais), o sistema prioriza o sinal da LSTM.

Os escores de risco são mapeados para uma estrutura de resposta automatizada de quatro níveis (Baixo, Médio, Alto, Crítico), disparando ações que variam de registro de log até congelamento de conta, notificações via SMS e acionamento de analistas. O sistema também inclui:

Chatbot de Atendimento ao Cliente: Para verificação de transações via OTP e detecção de ataques de reset em massa.
Assistente de Resumo de Caso para Analistas: Gera resumos em linguagem natural com categorização de ameaças e recomendações de ações ranqueadas.

Principais Contribuições

Arquitetura Unificada: Um único agente cobrindo 13 categorias de ameaças (incluindo fraude CNP, ATO, BEC, estruturação, camadas e atividade de mulas) nos setores de varejo e corporativo usando um modelo de fusão de fluxo duplo e três componentes.
Modelo de Ameaça Abrangente: Aborda explicitamente a lacuna entre a detecção baseada em assinatura e a detecção de anomalias comportamentais, cobrindo contextos de transação e sessão.
Avaliação Experimental: Avaliação em um conjunto de dados sintéticos de 90 dias (237.669 transações, 113.508 sessões, 3.470 contas) demonstrando a eficácia da abordagem de fusão sobre as bases de comparação.
Ferramentas Operacionais: Integração de um chatbot de verificação voltado ao cliente e um assistente de analista para reduzir a carga operacional.

Resultados
O modelo de fusão proposto demonstrou desempenho superior em comparação com uma base de regras e uma base apenas de LSTM:

Fluxo de Transação: Alcançou um F1 geral de 0.787 (vs. 0.562 para regras, 0.655 para apenas LSTM) e um F1 de média macro de 0.303 (vs. 0.227 para regras, 0.158 para apenas LSTM).
Fluxo de Sessão: Alcançou um F1 geral de 0.867 (vs. 0.733 para regras, 0.713 para apenas LSTM) e um F1 de média macro de 0.529 (vs. 0.500 para regras, 0.283 para apenas LSTM).
Ameaças Específicas: O modelo melhorou significativamente a detecção de redirecionamento de BEC (F1 0.064/0.368 vs. 0.000 para regras) e reativação de contas inativas. No entanto, a detecção de camadas (layering) permaneceu a categoria mais fraca (F1 0.131), atribuída à dificuldade de detectar padrões de meio de cadeia sem a passagem de mensagens completa de GNN.
Latência: Respostas automatizadas de nível crítico foram concluídas com uma latência de percentil 95 de 0.43 ms em um único nó de CPU.
Desempenho do Chatbot: Alcançou 96,6% de precisão na verificação de identidade e 86,8% de detecção de ataques de reset em massa.

Significância e Alegações
O artigo afirma que a principal significância deste trabalho é a demonstração de que uma arquitetura fundida pode detectar ameaças que são estruturalmente invisíveis para sistemas de mecanismo único. Especificamente, o agente fornece o único caminho de detecção disponível para redirecionamento de BEC neste estudo, aproveitando a capacidade da LSTM de reconhecer a sequência anômala de "adicionar beneficiário + transferência imediata de alto valor", mesmo quando os recursos individuais da transação (valor, velocidade) permanecem dentro dos limites normais.

Os autores enfatizam que a arquitetura de fluxo duplo fornece cobertura redundante para ameaças de fluxo cruzado (ex: Account Takeover manifestando-se tanto nos logs de sessão quanto nos de transação). Eles reconhecem limitações, observando que a avaliação depende de dados sintéticos e que a detecção de camadas é atualmente uma aproximação por proxy. O artigo conclui que, embora o protótipo seja eficaz, a implantação em produção requer o retreinamento com dados reais rotulados e que o trabalho futuro visa substituir o proxy de grafo por uma GNN heterogênea completa.