Framework SDF Machine Learning en transacciones financieras y detección temprana de fraudes
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...
Guardado en:
| Autores principales: | , , , , , , , |
|---|---|
| Formato: | Objeto de conferencia |
| Lenguaje: | Español |
| Publicado: |
2019
|
| Materias: | |
| Acceso en línea: | http://sedici.unlp.edu.ar/handle/10915/76984 |
| Aporte de: |
| Sumario: | 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. |
|---|