Gabriel Bandeira*
postado em 01/10/2018 06:00
É a oportunidade perfeita. O carrinho de compras do site está lotado, e o preço total agrada. Animado, você digita todas as informações referentes ao cartão de crédito e, sem entender, observa a transação ser negada. Mais tarde, descobre que o banco considerou se tratar de um procedimento virtual suspeito, uma vez que tinha características semelhantes às de uma fraude. Decepcionante, não? E muito comum.
A fim de melhorar a experiência dos consumidores, cientistas do Laboratório de Sistemas de Informação e Decisão, do Instituto de Tecnologia de Massachusetts (MIT), nos Estados Unidos, desenvolveram um sistema, o Deep Feature Synthesis (DFS), baseado em princípios de aprendizagem de máquina. Testado em um conjunto de dados de um grande banco, o modelo reduziu os resultados falsos positivos em 54%, em relação aos modelos tradicionais.
O sistema consegue analisar até 237 características de transações já feitas pelo usuário ; incluindo valores médios gastos, horários comuns de compra, pontos usados, principais estabelecimentos. Desse modo, é capaz de personalizar o processo de validação da transação comercial em vez de recorrer a padrões gerais. ;Uma compra realizada pessoalmente, depois de uma outra efetuada a 200 quilômetros de distância há meia hora, tem muita chance de ser fraude. Contudo, se a compra foi realizada via celular, a probabilidade diminui;, exemplificam, em comunicado, os autores do estudo, apresentado na Conferência Europeia de Aprendizagem de Máquina, em Dublin, na Irlanda.
Para os testes, a instituição financeira reuniu dados de aproximadamente 900 milhões de transações de 7 milhões de cartões de crédito de clientes espalhados pelo mundo. Cerca de 122 mil eram confirmadamente falsas. O DFS identificou 133 mil como fraudes. Já o meio tradicional de controle, 289 mil. ;Podemos dizer que há uma conexão direta entre engenharia de recursos e redução de falsos positivos. Essa é a coisa mais impactante para melhorar a precisão desses modelos de aprendizado de máquina;, ressalta, em comunicado, Kalyan Veeramachaneni, líder do estudo.
Duas etapas
A aprendizagem de máquina para a detecção de fraude é baseada em equações matemáticas e algoritmos e funciona em duas etapas. Na primeira, o sistema recebe exemplificações de compras legítimas e ilegítimas. Em seguida, a máquina avalia compras reais, levando em consideração os padrões observados. ;O sistema funciona mais ou menos como nossos neurônios. A partir de números e fórmulas, une informações ponto a ponto até chegar a uma probabilidade de fraude final. Com cada constatação, o programador consegue melhorar os padrões aprendidos;, explica Marcos Paulo Barreto, arquiteto de software da Stone Age e não participante do estudo.
Segundo o especialista, o modo como a máquina aprende os padrões antes de começar a analisar compras interfere diretamente no registro de falsos positivos e fraudes reais. ;Se a prepararmos apenas para detectar casos de não fraude, podemos aumentar os riscos de fraude que passam, e vice-versa. Sendo assim, precisamos aumentar ao máximo o balanço de situações apresentadas à máquina para não pesar um lado mais do que o outro;, detalha.
Além dos cálculos
De acordo com levantamento da Javelin Strategy and Research, apenas uma em cada cinco detecções de fraude é, de fato, verídica. Dados como esse, segundo Bernardo Lustosa, sócio e presidente da ClearSale Brasil, mostram a importância de investimentos em sistemas preventivos para bancos e negócios, principalmente na internet. Por outro lado, também sinalizam que, mesmo com os avanços permitidos pela aprendizagem de máquina e outros recursos da inteligência artificial, não existe um sistema antifraude perfeito. ;Esses recursos conseguem estimar, com mais exatidão, as chances de um caso ser fraude, o que não exclui a necessária participação de uma pessoa real na análise de compras mais duvidosas;, explica.
Para Fidel Beraldi, diretor de risco da Wirecard Brasil, as trocas de papel entre consumidor e fraudador dificultam a detecção de fraude real. ;Vamos supor que o sistema recebe um pedido de pagamento de R$ 3.000 em roupas às 3h. É um comportamento estranho, que pode ser associado ao de um fraudador, mas um consumidor legítimo pode ter tido, sim, vontade de ir a uma loja de roupas e gastar tudo isso de madrugada, mesmo sendo incomum;, ilustra. ;O sistema de aprendizagem de máquina otimiza a detecção de casos reais de fraude, seguindo uma lógica de ;faz sentido;. Entretanto, não podemos descartar a operação humana por trás dos sistemas, muito menos a presença de analistas reais.;
Problema nacional
O Brasil está entre os países mais atingidos por fraudes em transações bancárias envolvendo cartões de crédito. De acordo com o Global Consumer Card Fraud 2016, 49% dos brasileiros disseram ter passado por situações como essa nos últimos cinco anos. Com esse índice, estamos atrás apenas do México, com taxa de 56%.
Palavra de especialista
;Não podemos descartar a operação humana por trás dos sistemas, muito menos a presença de analistas reais. Vou ilustrar melhor: vamos supor que um sistema de aprendizagem de máquina perceba que todas as pessoas com Índice de Massa Corporal regular tomam café com açúcar, enquanto todas as pessoas com o índice alterado tomam a bebida com adoçante. A inteligência artificial poderá inferir, assim, que o adoçante é o responsável pela obesidade dos usuários, o que nós sabemos, pela nossa inteligência humana, que não é bem assim. O sistema de aprendizagem de máquina diminui a ocorrência de falsos positivos e deve contribuir para cortes de gastos. Contudo, não podemos deixar de considerar uma pessoa que esteja por trás do sistema, pronta para lidar com um caso realmente duvidoso e que mereça ser melhor avaliado.;
Fidel Beraldi, diretor de risco da Wirecard Brasil
;Podemos dizer que há uma conexão direta entre engenharia de recursos e redução de falsos positivos. Essa é a coisa mais impactante para melhorar a precisão desses modelos de aprendizado de máquina;
Kalyan Veeramachaneni, líder do estudo e pesquisador do Instituto de Tecnologia de Massachusetts
* Estagiário sob supervisão da subeditora Carmen Souza