Framework SDF Machine Learning en transacciones financieras y detección temprana de fraudes

• Autores: Frola, Fabián; Chesñevar, Carlos Iván; Alvez, Carlos E.; Etchart, Graciela; Miranda, Ernesto; Ruiz, Silvina; Aguirre, Juan José; Teze, Juan Carlos
• Año de publicación: 2019
• Idioma: español castellano
• Tipo de recurso: documento de conferencia
• Materia: Ciencias Informáticas; Inteligencia Artificial; detección de fraude financiero; machine learning
• Institución: Universidad Nacional de La Plata

En la actualidad, con el crecimiento exponencial de transacciones financieras de tarjetas de crédito y débito, la disminución de barreras de acceso, la globalización y la inclusión financiera se ha incrementado en mayor medida el fraude y la inteligencia creativa para la mutación del comportamiento fraudulento. Es de vital importancia la detección temprana de fraude aplicando distintas estrategias basadas en inteligencia artificial que puedan mitigar, disminuir, y prevenir este flagelo. El objetivo de este trabajo es estudiar, analizar los fundamentos, técnicas, estrategias y herramientas de machine learning que nos permitan dar el paso necesario para abordar el tema de autorizaciones financieras y detección de fraude, cuyo abordaje se hace inalcanzable con estrategias determinísticas o algoritmia tradicional. A partir del estudio mencionando se construirá un framework consolidado aplicable en cada etapa del proceso, desde la adquisición de datos, tanto en línea como históricos, el pre-procesamiento, la clasificación y los aportes al modelo predictivo para la detección de fraude.
Eje: Agentes y Sistemas Inteligentes.
Red de Universidades con Carreras en Informática