.jpg "Quero me preparar")
.jpg "Quero me preparar")
Tecnologias e estatísticas auxiliam cientistas a cruzarem informações para preverem falcatruas nos sistemas.
É tema constante em encontros de Data Science a prevenção de fraudes eletrônicas. Roubo ou manipulação de dados; fraudes com cartão de crédito, seguros ou planos de saúde; corrupção ou lavagem de dinheiro. São algumas de inúmeras possibilidades de crimes que acontecem nas redes e que podem ser antecipadas por meio de estatísticas e análises de comportamento dos usuários.
O combate às fraudes inclui dois componentes: a detecção e a antecipação. Quando já houve o dolo, o cientista de dados busca por padrões e a recorrência das ações para garantir que a ocorrência é mesmo fraudulenta.
Na prevenção, o desafio é antever os crimes antes que aconteçam. Por meio de comportamentos suspeitos na rede, de ações que fogem do padrão de um sistema e outros rastros deixados pelos fraudadores.
Porém, a dificuldade nesta antecipação é grande, uma vez que são ações dinâmicas, que mudam e se adaptam ao longo do tempo. Os golpistas estão antenados nas brechas que possibilitam os desvios e quando é imposta alguma barreira criada para dificultar o crime, são flexíveis para encontrarem outras saídas.
Ferramentas tecnológicas a serviço do Data Science
Existe uma luz no final do túnel com a inclusão de tecnologias emergentes como o Machine Learning na análise dos dados criados por analistas humanos, também suscetíveis à fraude.
Como a máquina reconhece padrões e se auto programa a partir da repetição de ações, se uma pessoa mal intencionada tentar burlar um sistema, no mínimo não será possível, podendo gerar um alerta para um gestor ou relatório com tentativas de alterações fora do comum.
Para fraudes que mudam seus padrões e que não poderiam ser identificadas pelo Aprendizado das Máquinas, uma solução do Data Science é a detecção de outliers, baseado em métodos avançados de estatística.
Outra tecnologia utilizada no Data Science é a Inteligência Artificial (AI). Sua função na busca por fraudes é cruzar variáveis para encontrar comportamentos de consumo que saem do padrão de um determinado cliente.
Instituições financeiras se utilizam com grande intensidade de AI. Pelo seu sistema é possível saber o IP do cliente, os dispositivos pelos quais se conecta, os horários mais comuns em que costuma fazer pagamentos e transações em suas contas correntes, assim como as funções dos aplicativos que mais se utiliza.
O Big Data também auxilia o provisionamento a partir de análises em redes sociais. A Receita Federal é um dos órgãos que têm se utilizado desta técnica. A partir do momento em que uma pessoa entrega seu imposto de renda, uma análise em sua página no Facebook, por exemplo, pode avaliar se o seu comportamento, rotina de viagens e de compras estão condizentes com as rendas declaradas. Se não estiverem, uma investigação pode ser aberta.
Além das fraudes financeiras, essas tecnologias também contribuem no combate às falcatruas corporativas, como roubo de energia elétrica em relógios de residências ou empresas que tem uma queda muito brusca de consumo em determinado prazo, que pode significar um ‘gato’ na rede.
No sistema público é possível investigar um corrupto em algum departamento a partir de comparação de seu comportamento com o cruzamento de informações de um banco de dados em que constam todos os motivos que levaram outros servidores a serem expulsos. Em um caso no Ministério da Transparência, a Inteligência Artificial detectou 90% de perfis falsos que foram colocados nos sistemas em período de teste.
Em resumo, a cada instante são desenvolvidos softwares que criam informações padrão de comportamento e auxiliam o Data Science a antecipar possíveis fraudes.
Com pontuação de atitudes a partir de dados estatísticos, que são recolhidos, armazenados e avaliados, os cientistas conseguem definir o que é um procedimento ideal e instruem as máquinas para encontrarem o que foge desse modelo.
Com pequenos ajustes nos sistemas e cada vez mais investimentos em tecnologias focadas em Inteligência Artificial, automação e Machine Learning, a eficiência no combate a todos os tipos de fraude tende a aumentar.
Escreva seu comentário