O uso de técnicas de machine learning para detecção de fraudes

As instituições financeiras enfrentam desafios crescentes na detecção de fraudes em cartões de crédito devido à constante evolução das táticas fraudulentas. Esta revisão sistemática da literatura analisa 32 artigos recentes para identificar o estado da arte em <i>machine learning</i> (ML) para a detecção de fraudes. A análise revela que <b>Modelos Compostos</b> — abrangendo tanto <i>ensembles</i> de votação quanto híbridos sequenciais — consistentemente superam os algoritmos monolíticos. Estas arquiteturas avançadas são primariamente construídas sobre modelos baseados em árvore, com o <b>Gradient Boosting</b> representando o pico de desempenho preditivo e o <b>Random Forest</b> servindo como um pilar crucial de robustez. Embora as abordagens de <b>Deep Learning</b> sejam identificadas como a fronteira da pesquisa, oferecendo capacidades como adaptação autónoma, elas apresentam <i>trade-offs</i> significativos em interpretabilidade e custo computacional. A revisão confirma o papel crítico das técnicas de pré-processamento, particularmente os métodos de <i>oversampling</i> como SMOTE e ADASYN, para mitigar o severo desbalanceamento de classes inerente aos <i>datasets</i> de fraude. Reforça-se também a necessidade de utilizar métricas de avaliação apropriadas, como <i>Recall</i> e AUPRC, em detrimento da acurácia. Com base nestes achados, este trabalho entrega duas contribuições principais: uma <b>matriz de avaliação comparativa</b> que pontua as principais abordagens de ML segundo critérios técnicos e práticos, e um <b>framework prático de cinco fases</b> que traduz estes <i>insights</i> em um guia prescritivo para o desenvolvimento e monitoramento de sistemas de deteção de fraudes de alta performance. O estudo conclui destacando os desafios persistentes — nomeadamente <i>concept drift</i>, explicabilidade (XAI) e privacidade de dados (<i>Federated Learning</i>) — que definem as principais direções para pesquisas futuras.