EL USO DEL APRENDIZAJE AUTOMÁTICO EN LA DETECCIÓN DEL FRAUDE FINANCIERO

Resumen

Introducción: La creciente digitalización de los servicios financieros ha incrementado la incidencia del fraude, lo que convierte su detección en un desafío significativo para las instituciones financieras. En este contexto, el uso de técnicas de aprendizaje automático se destaca como un enfoque eficiente, capaz de analizar grandes volúmenes de datos e identificar patrones sospechosos con mayor precisión. Objetivo: Analizar el uso de técnicas de aprendizaje automático en la detección del fraude financiero, destacando los principales algoritmos, aplicaciones y desafíos involucrados. Materiales y Métodos: Esta es una investigación cualitativa, desarrollada a través de una revisión de la literatura. La encuesta identificó 186 estudios, de los cuales 12 conformaron la muestra final tras aplicar los criterios de inclusión y exclusión. El análisis se realizó mediante lectura exploratoria, selectiva y analítica, organizando los datos en categorías temáticas. Resultados: Los estudios mostraron que algoritmos como Random Forest y Gradient Boosting tienen un alto rendimiento en la detección de fraude. También se observó la efectividad de los modelos híbridos y las técnicas de balanceo de datos. Sin embargo, persisten desafíos como el desequilibrio de datos, los falsos positivos y la necesidad de actualizaciones continuas del modelo. Contribución científica: Este estudio contribuye al sistematizar y analizar críticamente los principales enfoques de la literatura, identificando tendencias, desafíos y deficiencias en el uso del aprendizaje automático para la detección del fraude financiero. Conclusión: Se concluye que el aprendizaje automático es una herramienta esencial para combatir el fraude financiero, si bien aún presenta desafíos que requieren mejora continua, especialmente dada la constante evolución de las estrategias fraudulentas.