USO DE APRENDIZADO DE MÁQUINA NA DETECÇÃO DE FRAUDES FINANCEIRAS

Resumo

Introdução: A crescente digitalização dos serviços financeiros tem ampliado a ocorrência de fraudes, tornando sua detecção um desafio relevante para instituições financeiras. Nesse contexto, o uso de técnicas de aprendizado de máquina destaca-se como uma abordagem eficiente, capaz de analisar grandes volumes de dados e identificar padrões suspeitos com maior precisão. Objetivo: Analisar o uso de técnicas de aprendizado de máquina na detecção de fraudes financeiras, destacando os principais algoritmos, aplicações e desafios envolvidos. Materiais e Método: Trata-se de uma pesquisa qualitativa, desenvolvida por meio de revisão de literatura. O levantamento identificou 186 estudos, dos quais 12 compuseram a amostra final após aplicação dos critérios de inclusão e exclusão. A análise foi realizada por meio de leitura exploratória, seletiva e analítica, organizando os dados em categorias temáticas. Resultados: Os estudos evidenciaram que algoritmos como Random Forest e Gradient Boosting apresentam alto desempenho na detecção de fraudes. Observou-se também a eficácia de modelos híbridos e técnicas de balanceamento de dados. No entanto, desafios como dados desbalanceados, falsos positivos e necessidade de atualização contínua dos modelos ainda persistem. Contribuição Científica: O estudo contribui ao sistematizar e analisar criticamente as principais abordagens da literatura, identificando tendências, desafios e lacunas no uso do aprendizado de máquina na detecção de fraudes financeiras. Conclusão: Conclui-se que o aprendizado de máquina é uma ferramenta essencial no combate às fraudes financeiras, embora ainda apresente desafios que exigem aprimoramento contínuo, especialmente diante da evolução constante das estratégias fraudulentas.