Prediction of bank transaction fraud using TabNet an adaptive deep learning architecture
Este estudo demonstra que o TabNet, uma arquitetura de aprendizado profundo adaptativa aprimorada com SMOTE para balanceamento de classes, supera significativamente outros modelos de aprendizado profundo na detecção de fraudes em transações bancárias em um conjunto de dados indiano, alcançando uma acurácia de 97,39% e um ROC-AUC de 0,9739, ao mesmo tempo em que fornece a interpretabilidade necessária para conformidade regulatória e gestão de risco operacional.
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 o mundo digital como uma cidade movimentada e iluminada por neon, onde o dinheiro não fica guardado em cofres, mas circula como pacotes invisíveis de dados. Nesta cidade, cada vez que você compra um café ou envia um presente, um pequeno recibo digital é carimbado e enviado para um livro-razão gigante e invisível. Este é o reino da FinTech, onde a tecnologia encontra as finanças. Mas, assim como qualquer cidade grande, esta metrópole digital tem sua parcela de batedores de carteira e ladrões. Esses criminosos não roubam apenas carteiras; eles roubam identidades e esvaziam contas bancárias fingindo ser você. Para pegá-los, os bancos costumavam confiar em "livros de regras" — listas simples como "se alguém gastar US$ 10.000 em um minuto, interrompa-o!". Mas os ladrões são espertos; eles aprendem as regras e encontram maneiras de passar despercebidos.
Entra a Machine Learning (Aprendizado de Máquina), o detetive digital que não apenas lê livros de regras, mas aprende a identificar padrões. Imagine um detetive que observa milhões de pessoas passando, aprendendo como é um caminhar "normal". Se alguém de repente começa a pular em um pé só enquanto usa uma fantasia de palhaço, o detetve sabe que algo está errado. No entanto, há uma pegadinha: a maioria das pessoas caminha normalmente, e apenas algumas pulam. Isso torna difícil para o detetive aprender, porque ele vê tão poucos "palhaços" que pode esquecer como é um palhaço real ou, pior, começar a pensar que todos são palhaços. Este é o desafio dos dados desbalanceados. Além disso, os bancos precisam saber por que o detetive parou alguém. Se o detetive for uma "caixa preta" que não dá razões, o banco não consegue explicar isso ao cliente ou aos reguladores. É aqui que entra a IA Explicável (XAI) — é o detetive que consegue apontar para as pistas específicas (como "eles estavam usando uma fantasia de palhaço às 3 da manhã") que levaram à prisão.
Este artigo é a história de uma equipe de pesquisadores que decidiu testar um novo tipo de detetive digital chamado TabNet para pegar fraudadores bancários. Eles pegaram um conjunto massivo de dados de transações bancárias reais da Índia — mais de 124.000 registros — e colocaram o TabNet contra outros cinco estilos famosos de detetives: a Rede Neural Profunda (DNN) padrão, o pesado LSTM, o veloz GRU, o detector de padrões CNN1D, e alguns outros. Os pesquisadores queriam ver qual detetive conseguiria identificar os fraudadores com mais precisão sem se confundir com o enorme volume de transações normais, e qual deles poderia explicar seu raciocínio claramente.
Os resultados foram um choque para os detetives da velha guarda. A Rede Neural Profunda (DNN) padrão, o LSTM, o GRU e o CNN1D todos tiveram dificuldades imensas. Na verdade, eles falharam majoritariamente. A DNN e o CNN1D basicamente desistiram, prevendo que cada uma das transações era fraude, o que é como um segurança prendendo todo mundo no shopping porque está com medo de um único ladrão. Sua precisão ficou estagnada em um inútil 50%, nada melhor do que jogar uma moeda para o alto. O LSTM e o GRU, que são ótimos para lembrar sequências como uma história, também tropeçaram porque as transações bancárias neste conjunto de dados não seguiam uma ordem rigorosa de história; eram apenas uma lista de eventos. Esses modelos ficaram confusos, produzindo muitos alarmes falsos e deixando passar ladrões reais.
Mas então, o TabNet entrou em cena, e foi uma história completamente diferente. O TabNet é um tipo especial de detetive projetado especificamente para "dados tabulares" — que é apenas uma palavra chique para planilhas com linhas e colunas de números e categorias. Em vez de tentar memorizar tudo, o TabNet usa um mecanismo de "atenção esparsa". Pense nisso como um detetive que usa um par de óculos mágicos. Ao olhar para uma transação, os óculos diminuem a luz nos detalhes irrelevantes (como a cor do céu) e lançam um holofote brilhante apenas nas pistas que importam (como a hora do dia ou o dispositivo usado). Isso permite que o TabNet ignore o ruído e foque no sinal.
O resultado foi impressionante. O TabNet alcançou uma precisão de 97,39%, com uma pontuação chamada ROC-AUC de 0,9739. Para colocar em perspectiva, enquanto os outros modelos estavam adivinhando como um lançamento de moeda, o TabNet estava identificando fraudadores com precisão quase perfeita. Ele identificou corretamente quase todos os casos reais de fraude enquanto cometia pouquíssimos erros nas transações honestas. Talvez o mais importante, o TabNet não deu apenas um veredito de "culpado"; ele mostrou seu trabalho. Ele podia dizer ao banco exatamente quais características (como "valor da transação" ou "hora do dia") eram as mais suspeitas, tornando-o uma ferramenta transparente e confiável para os reguladores.
Os pesquisadores também investigaram os dados para entender como os fraudadores estavam operando e encontraram algumas reviravoltas interessantes. Contrário à ideia de que os ladrões só atacam no meio da noite, os dados mostraram que a fraude frequentemente acontece durante o horário comercial movimentado, especificamente entre 8h e 17h, com um pico por volta das 10h–11h da manhã. Os ladrões estavam se escondendo à vista de todos, misturando-se à multidão de compradores normais. Eles também notaram que os fraudadores costumam fazer pequenos saques de contas com saldos muito altos, tentando ser furtivos ao não retirar muito de uma só vez.
No fim, o artigo sugere que, para capturar fraudes bancárias em um mundo de planilhas, os detetives antigos e pesados de "caixa preta" não são a melhor opção. Em vez disso, um modelo especializado, transparente e adaptável como o TabNet é o caminho a seguir. Não se trata apenas de pegar os vilões; trata-se de fazer isso de uma forma que seja rápida, precisa e fácil de explicar. O estudo confirma que, embora a cidade digital esteja cheia de ladrões astutos, agora temos um detetive com os óculos certos para vê-los claramente.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.