Modelos de machine learning facilitam implementação data-driven
São Paulo — InkDesign News — Pesquisadores da Universidade de São Paulo (USP) têm explorado novas abordagens em “deep learning” para melhorar a eficácia na deteção de fraudes em transações financeiras. Ao combinar algoritmos avançados com técnicas de análise preditiva, os especialistas buscam aumentar a precisão e reduzir o tempo de resposta em sistemas tradicionais.
Arquitetura de modelo
O modelo projetado incorpora uma combinação de redes neurais convolucionais (CNN) e técnicas de transfer learning. Isso permite que o sistema aprenda com dados históricos e aplique esse conhecimento a novas transações, garantindo uma maior agilidade na identificação de padrões suspeitos.
Treinamento e otimização
Durante a fase de treinamento, a equipe utilizou um conjunto de dados extensivo que incluía transações legítimas e fraudulentas. O processo de otimização focou em ajustar hiperparâmetros para alcançar um equilíbrio ideal entre precisão e recall. Os testes iniciais mostraram um aumento significativo na “AUC” (Área Sob a Curva) em comparação com modelos anteriores.
“Os resultados indicam uma melhoria na detecção, podendo aumentar a eficiência em 20% em relação a modelos convencionais” (The results indicate an improvement in detection, potentially increasing efficiency by 20% compared to conventional models) — Dr. Marcos Silva, Pesquisador, USP.
Resultados e métricas
Os resultados obtidos mostram que, ao aplicar técnicas de deep learning, o modelo alcançou uma taxa de precisão de 95% e um recall de 90%. Além disso, o tempo necessário para classificar as transações reduziu em 30%, permitindo uma resposta mais rápida a possíveis fraudes.
“Estamos confiantes de que esta abordagem pode ser aplicada em outros setores além do financeiro, como saúde e e-commerce” (We are confident that this approach can be applied in other sectors beyond finance, such as healthcare and e-commerce) — Ana Pereira, Líder de Projetos, USP.
As etapas seguintes incluem a integração desse modelo em sistemas de produção e testes adicionais em ambientes reais, para validar sua eficácia. A pesquisa segue em curso, com foco em aprimorar ainda mais os algoritmos e suas aplicações práticas.
Fonte: (Towards Data Science – AI, ML & Deep Learning)
