Detección de fraude de pago en línea con aprendizaje automático

Jul 25 2022
Creo que está claro para todos que el fraude en los pagos en línea ocurre y no es nuevo. Está claro que cualquiera que esté en la posición de comprador tiene miedo de caer en una estafa, o ya ha caído o conoce a alguien que fue pillado por estafadores.

Creo que está claro para todos que el fraude en los pagos en línea ocurre y no es nuevo. Está claro que cualquiera que esté en la posición de comprador tiene miedo de caer en una estafa, o ya ha caído o conoce a alguien que fue pillado por estafadores. Según la investigación , el fraude de pago en línea superará los 343 mil millones en 5 años.

Los bancos se han actualizado cada vez más para evitar que se realicen transacciones fraudulentas a través de sus plataformas, pero existe una gran dificultad para identificar dichas transacciones, ya que, según el Banco Central (BACEN) , se han realizado más de 71.500 millones de transacciones bancarias en 2021. de los cuales el 35% (casi 25 mil millones) fueron registrados por teléfonos móviles, sin contar notebooks y similares. Sería imposible para cualquier institución financiera monitorear cada una de estas transacciones y clasificarlas con seguridad como fraudulentas o no.

Gracias a la tecnología, hoy tenemos una manera de ser más eficientes en esta materia, tratando de clasificar cada una de estas transacciones y tomando las acciones correspondientes.

A continuación, presentaré una de las posibles soluciones a este dilema:

  • Para identificar el fraude en los pagos online, podemos utilizar Machine Learning. Método que enseña a la máquina a comprender los patrones de transacciones antiguas y clasificarlas de la mejor manera posible.
  • Es importante señalar que al igual que los humanos, las máquinas cometen errores y no tendremos, al menos en los próximos años, una solución con un 100% de precisión.
  • Usaremos el conjunto de datos de kaggle que contiene información sobre transacciones fraudulentas pasadas para que la máquina entienda los patrones y pueda predecir su clasificación.
  • Importamos bibliotecas que nos ayudan con códigos complejos y grandes que ya han sido desarrollados por otra persona y replicados de forma sencilla a través de ellos;
  • Leemos el archivo que tenemos como base, para explorar y conocer mejor los datos que estamos utilizando;
  • Identificamos correlación entre las columnas;
  • Hacemos algunos ajustes al archivo para que la máquina pueda leerlo;
  • Identificamos qué información vamos a predecir (objetivo de predicción) y qué información vamos a proporcionar a la máquina para que entienda los patrones y pueda generar resultados más asertivos (características);
  • Separamos los datos del archivo en datos de entrenamiento y datos de validación. Los datos de entrenamiento se proporcionarán a la máquina para que estudie y aprenda, mientras que los datos de validación se utilizarán para probar los resultados que genera la máquina con su conocimiento recién adquirido;
  • Creamos el modelo que utilizará la máquina, en este caso el clasificador del árbol de decisión;
  • Entrenamos el modelo con los datos de entrenamiento;
  • Validamos con los datos de validación;
  • (Si la precisión del modelo es baja, necesitaremos revisar algunos conceptos y hacer más pruebas con otras características, otros modelos hasta que estemos satisfechos);
  • Entonces podemos probar nuestro modelo en el mundo real, proporcionando una entrada para que clasifique.

¡Sígueme en LinkedIn y hasta la próxima!

© Copyright 2021 - 2022 | unogogo.com | All Rights Reserved