Detecção de fraudes em transações bancárias utilizando inteligência artificial

21 | Detecção de fraudes em transações bancárias utilizando inteligência artificial Revista Processando o Saber (eISSN: 2179-5150) - Fatec Praia Grande – Multidisciplinar Revisão por pares - Acesso aberto - www.fatecpg.edu.br/revista - [email protected] eISSN 2179-5150 FATEC Praia Grande • fatecpg.edu.br/revista submetido: Jan/2025 • aceito: Mar/2025 • publicado: Jun/2025 Interface gráfica do usuário Descrição gerada automaticamente com confiança baixa Desenho de um círculo Descrição gerada automaticamente com confiança média Detecção de fraudes em transações bancárias utilizando inteligência artificial Fraud detection in banking transactions using artificial intelligence Pedro Lucas Maranini Tosta Fatec Praia Grande [email protected] Jonatas Cerqueira Dias Fatec Praia Grande [email protected] RESUMO O artigo analisa o impacto da Inteligência Artificial (IA) no setor bancário e financeiro, especificamente na detecção de fraudes em transações financeiras. Destaca-se a evolução da IA e seu papel transformador no contexto bancário e financeiro. O foco central é a complexidade das fraudes financeiras, abordando diversas modalidades e seu impacto econômico, são citados casos emblemáticos como a Fraude de Jerome Kerviel no Société Générale (2008) e a Fraude de Nick Leeson no Barings Banks (1995), evidenciando a necessidade de métodos eficazes na prevenção e identificação desses incidentes. O artigo delineia as técnicas modernas e IA empregadas na detecção de fraudes bancárias, destacando o uso de algoritmos avançados, como aprendizado de máquina e redes neurais. A proposta é utilizar essas abordagens para identificar padrões suspeitos em transações financeiras, ressaltando não apenas a eficácia, mas também o potencial dessas metodologias na mitigação de riscos e na proteção das instituições financeiras contra atividades fraudulentas. O estudo fornece uma visão detalhada desde os métodos mais antigos até os métodos mais atuais de IA destacando a utilização de algoritmos avançados para alcançar uma detecção mais precisa e eficiente. Os resultados ressaltam a capacidade desses métodos em identificar e prevenir incidentes similares aos casos apresentados. Espera-se que algoritmos avançados proporcionem uma resposta efetive na identificação de transações suspeitas. O estudo conclui enfatizando não apenas a eficácia das abordagens modernas de IA na detecção de fraudes bancárias, mas também o potencial dessas técnicas na proteção das instituições financeiras contra atividades fraudulentas. Destaca-se a importância contínua do desenvolvimento e implementação de métodos avançados de IA para fortalecer a segurança no setor bancário, mitigando riscos e protegendo os clientes e as instituições contra ameaças financeiras. PALAVRAS-CHAVE: Inteligência Artificial; Detecção de fraudes; Aprendizado de Máquina; Segurança nas transações bancárias 22 | Detecção de fraudes em transações bancárias utilizando inteligência artificial Revista Processando o Saber - v.17 - p. 21-37 - 2025 ABSTRACT The article analyzes the impact of Artificial Intelligence (AI) in the banking and financial sector, specifically in the detection of fraud in financial transactions. It highlights the evolution of AI and its transformative role in the banking and financial context. The central focus is on the complexity of financial frauds, addressing various types and their economic impact. Emblematic cases such as the Jerome Kerviel's fraud at Société Générale (2008) and Nick Leeson's Fraud at Barings Banks (1995) are mentioned, underscoring the need for effective methods in preventing and identifying these incidents. The article outlines modern techniques and AI employed in detecting banking frauds, emphasizing the use of advanced algorithms such as machine learning and neural networks. The proposal is to use these approaches to identify suspicious patterns in financial transactions, emphasizing not only their effectiveness but also their potential in mitigating risks and protecting financial institutions against fraudulent activities. The study provides a detailed overview from older to more current AI methods, highlighting the use of advanced algorithms to achieve more precise and efficient detection. The results underscore the capability of these methods in identifying and preventing incidents similar to the cases presented. It is expected that advanced algorithms will provide an effective response in identifying suspicious transactions. The study concludes by emphasizing not only the effectiveness of modern AI approaches in detecting banking frauds but also the potential of these techniques in protecting financial institutions against fraudulent activities. It highlights the ongoing importance of developing and implementing advanced AI methods to strengthen security in the banking sector, mitigating risks, and safeguarding clients and institutions against financial threats. KEYWORDS: Artificial Intelligence; Fraud detection; Machine Learning; Security in banking transactions; INTRODUÇÃO No atual cenário global e mundial e transações financeiras eletrônicas, a segurança dos sistemas bancários e financeiros tornou-se uma grande preocupação para instituições financeiras e clientes. O avanço da tecnologia e o uso de novas ferramentas, embora tenha facilitado o acesso e a gestão dos recursos financeiros, também abriu novas portas para atividades fraudulentas e criminosas que ameaçam a integridade do sistema bancário e do sistema financeiro. A fraude é uma preocupação atual nas organizações, particularmente, no setor bancário, um dos grandes desafios para o setor tem sido otimizar a detecção de fraudes em transações bancárias usando Inteligência Artificial (IA), aumentando a precisão na identificação de fraudes, minimização de falsos positivos, fortalecendo a segurança das transações e reduzindo os prejuízos para seus respectivos clientes, além de causar um grande impacto nas organizações. A ocorrência de uma fraude pode pôr em causa os objetivos, a continuidade e a confiabilidade da instituição (SEMEDO, 2022). 23 | Detecção de fraudes em transações bancárias utilizando inteligência artificial Revista Processando o Saber - v.17 - p. 21-37 - 2025 Um dos objetivos principais na detecção de fraudes, é detectar um maior número de fraudes e transações suspeitas e fora do padrão com o menor número possível de alarmes falsos (falsos positivos) (KOVACH, 2011). Uma transação legítima que é sinalizada/identificada como uma fraude ou fora do padrão, é caracterizado um alarme falsou. Por outro lado, o custo de não detectar uma fraude pode ser bem alto, mas também disparar alarmes mediante a toda suspeita gerando muitos alarmes falsos podem gerar uma insatisfação dos clientes legítimos. (KOVACH, 2011). Este contexto explorou o seguinte objetivo para a pesquisa, explorar e analisar o potencial da Inteligência Artificial (IA) na detecção de fraudes bancárias, visando proporcionar uma abordagem mais eficaz e proativa para enfrentar esse desafio. Por meio da aplicação de algoritmos de aprendizado de máquina e técnicas avançadas de processamento de dados, buscase estudar sistemas capazes de identificar padrões e atividades suspeitas em tempo real, minimizando assim os impactos financeiros e reputacionais decorrentes das fraudes (LIMA, 2022). O presente estudo será estruturado em seções que abordarão, primeiramente, as bases conceituais da IA enfatizando sua aplicabilidade e potencialidades no contexto da detecção de fraudes, os fundamentos teóricos relacionados às fraudes bancárias e financeiras, delineando os tipos e métodos mais comuns empregados pelos fraudadores, as maiores fraudes já registradas e ferramentas que são usadas para detecção de fraudes financeiras no geral (OLIVEIRA, 2019). Posteriormente, será discutida a metodologia atualmente usada para otimização e detecção de fraudes financeiras, incluindo a seleção de algoritmos, a escolha e a preparação dos dados, bem como a avaliação dos resultados obtidos. Adicionalmente, serão apresentados casos de estudo e comparativos com abordagens tradicionais, demonstrando a eficácia de aplicação da IA neste contexto. 1. FUNDAMENTAÇÃO TEÓRICA A IA é um avanço tecnológico que pode ser definido como um sistema que utiliza a tecnologia para simular a inteligência humana, e que analisa banco de dados para tomar decisões de modo autônomo. Em síntese, a IA está relacionada à capacidade de captar dados do banco de dados e elaborar, a partir disso, um pensamento construtivo e relevante (DE LIMA, 2023). Os Algoritmos nada mais são do que uma sequência finita de ações que resolve um certo problema, assim esse algoritmo consegue resolver problemas de vários tipos diferentes, cálculo 24 | Detecção de fraudes em transações bancárias utilizando inteligência artificial Revista Processando o Saber - v.17 - p. 21-37 - 2025 estrutural, processamento de dados ou planejamento (SICHMAN, 2021). A partir dos anos de 1980, a aplicação da IA na rede bancária e financeira em geral, trouxe avanços significativos. Começaram a surgir os primeiros sistemas de IA para análises de riscos de crédito e detecção de fraudes. Os sistemas eram capazes de processar grandes volumes de dados em tempo real, analisando e identificando padrões suspeitos de atividades. Com o avanço da tecnologia, os chatbots, assistentes virtuais, todos baseados em IA, foram introduzidos em interface de atendimento ao cliente, proporcionando respostas mais rápidas e eficazes. Algoritmos de Aprendizado de Máquina passaram a ser utilizados para otimizar a gestão de portfólios de investimentos, adaptando-se às condições do mercado em tempo real. Atualmente, a IA na rede bancária e financeira atingiu um nível de sofisticação altíssimo. Utilizada para análise de dados macroeconômicos, previsão de tendências de mercado, gestão de riscos e até mesmo para desenvolvimento de blockchain e criptomoedas. A IA se tornou um componente fundamental para eficiência e segurança do setor financeiro, transformando a maneira como transações e investimentos são gerenciados (OLIVEIRA, 2019). 1.1 FRAUDES, FRAUDES BANCÁRIAS E FRAUDES FINANCEIRAS Fraudes refere-se a qualquer ação tomada de forma consciente ilícita, desonesta e punível por lei, com o objetivo de obter lucro próprio em contrapartida de prejudicar um terceiro. Intencional e premeditada, sendo por isso uma fuga à verdade, descurando ou lesando o interesse de terceiros (SEMEDO, 2022). As fraudes bancárias e financeiras no geral referem-se a atividades ilegais e criminosas que visam obter ganhos financeiros de forma enganosa, muitas vezes à custa de instituições financeiras, organizações ou indivíduos. Essas práticas envolvem uma série de métodos e técnicas que exploram vulnerabilidades nos sistemas bancários e financeiros, bem como a confiança e a ingenuidade das vítimas. A prevenção de fraudes bancárias e financeiras consiste em evitar que medidas sejam tomadas antes do término de uma transação ou uma fraude (KOVACH, 2011). 25 | Detecção de fraudes em transações bancárias utilizando inteligência artificial Revista Processando o Saber - v.17 - p. 21-37 - 2025 1.2 AVANÇO DA IA NA DETECÇÃO DE FRAUDES BANCÁRIAS No caso da detecção de fraude, não existe um conjunto de instituições pré-definidas que consiga mapear diretamente uma transação e classificá-la como fraude ou não fraude. Para tentar fazer esse mapeamento, é necessário analisar as informações de uma grande quantidade de instâncias e, a partir desses dados, extrair um algoritmo que seja capaz de executar essa tarefa, mesmo que ele não acerte com total precisão (CAIRES, 2022). O avanço da IA na detecção e prevenção de fraudes bancárias foi marcado por uma evolução constante em técnicas e capacidades analíticas. É de extrema importância analisar e entender algumas etapas desse processo. 1.2.1 Regras manuais e heurísticas (1980-1990) No seu período inicial os bancos e instituições financeiras dependiam principalmente de regras manuais e heurísticas para identificar atividades suspeitas. Isso envolvia a definição de padrões de comportamento e transações consideradas anômalas ou suspeitas. 1.2.2 Sistemas baseados em regras (1990-2000) Nesta etapa do processo, os sistemas começaram a utilizar algoritmos mais avançados, baseados em regras pré-definidas. Estes sistemas eram capazes de analisar padrões de transações em tempo real e acionar alertas e avisos em casos de atividades ou transações suspeitas. Pela facilidade de implementação e entendimento, os sistemas de regras são amplamente utilizados pela indústria, entretanto, a complexidade de manutenção e a limitação na detecção de padrões deram espaço para utilização de métodos e previsão mais complexos (CRISTOVÃO, 2023). 1.2.3 Introdução de algoritmos de aprendizado de máquina (2000-2010) Com o surgimento de algoritmos de aprendizado de máquina, como árvores de decisão, redes neurais e support vector machines (SVMs), os sistemas de detecção de fraudes tornaramse mais sofisticados. Eles podiam aprender com grandes conjuntos de dados históricos e identificar padrões complexos de comportamento fraudulento. O algoritmo SVM pode ser 26 | Detecção de fraudes em transações bancárias utilizando inteligência artificial Revista Processando o Saber - v.17 - p. 21-37 - 2025 utilizado tanto em casos de regressão quanto de classificação, sendo o seu principal uso na classificação de bases de dados complexas de pequeno e médio porte (DE SOUZA, 2023). Englobando estudos de métodos computacionais para adquirir novos conhecimentos, novas habilidades e novos meios de organizar o conhecimento já existente (SANCHES, 2003). 1.2.4 Aprendizado profundo (deep learning) e redes neurais (2010-presente) O advento deep learning revolucionou a detecção de fraudes. Ao invés de utilizar o os próprios dados para desempenhar funções pré-estabelecidas, ele habilita o computador a desenvolver um reconhecimento de padrões sozinho e com base nos fatores básicos de dados (DE LIMA, 2023). As redes neurais profundas, em particular, provaram ser altamente eficazes na identificação de padrões complexos e sutis em grandes volumes de dados. São capazes de aprender automaticamente e adaptar-se a novas formas de fraude sem a necessidade de regras explícitas. No geral, Redes neurais são modelos matemáticos criados inspirados no funcionamento do cérebro humano (CRISTOVÃO, 2023). 1.2.5 Processamento e análise em tempo real (atual) A capacidade de processar e analisar dados em tempo real tornou-se crucial na detecção de fraudes bancárias e financeiras. Com a IA, os sistemas podem avaliar transações em tempo real e identificar padrões suspeitos instantaneamente, o que permite a intervenção imediata. 1.2.6 Integração de dados diversificados e tecnologia avançada (atual) A IA na detecção de fraudes agora integra uma ampla variedade de fontes de dados, incluindo transações financeiras, geolocalização, padrões de comportamento do usuário e até mesmo informações provenientes de redes sociais. A combinação de múltiplos tipos de dados e a aplicação de técnicas avançadas de IA resultam em sistemas altamente precisos. 27 | Detecção de fraudes em transações bancárias utilizando inteligência artificial Revista Processando o Saber - v.17 - p. 21-37 - 2025 1.2.7 Adoção de modelos produtivos e análise de anomalias (atual) Atualmente são utilizados modelos preditivos que não apenas identificam atividades fraudulentas conhecidas, mas também são capazes de detectar anomalias sutis que podem indicar novos tipos de fraudes e ações. O avanço da IA na detecção de fraudes bancárias foi uma jornada de constante aprimoramento de técnicas analíticas, desde abordagens manuais até a aplicação de técnicas de aprendizado profundo e processamento em tempo real. Evolução continua é essencial para manter a segurança e a integridade do setor financeiro em geral em um mundo digital cada vez mais complexo. Utilizando algoritmos de detecção de anomalias, como Isolation Forest, os sistemas podem analisar continuamente as transações para identificar comportamentos fora do padrão. Iforest é um algoritmo baseado em árvore, construído em torno da teoria das arvores de decisão. O princípio básico do Iforest é as anomalias serem poucas e estão distantes do restante das outras observações (DE SOUZA, 2023). 1.3 MAIORES FRAUDES BANCÁRIAS E PREJUÍZOS FINANCEIROS REGISTRADOS As maiores fraudes e prejuízos financeiros já registrados ao longo da história, eventos marcantes que abalaram o sistema financeiro e tiveram impacto significativo tanto nas instituições envolvidas quanto na confiança do público. Todas as maiores fraudes eletrônicas consistem em grandes problemas internos a serem combatidos pelas instituições financeiras, tendo em vista as perdas do sistema financeiro. (MATHIJSSEN; OVEREEM; JANSEN, 2020). A aplicação de técnicas e ferramentas de Inteligência Artificial pode ser um dos componentes mais valiosos na detecção de fraudes bancárias e financeiras. A prevenção ou detecção de fraudes é, cada vez mais, um assunto delicado, devido às variadas formas e meios adotados na perpetração dos atos fraudulentos, e a intervenção da Auditoria Interna mais significativa, daí está “interseção”, entre Auditoria Interna e Fraude, ter sio considerado como desafiante e relevante para ser estudado no âmbito de fraudes em instituições bancárias (SEMEDO, 2022). Abaixo será apresentado alguns casos de uso do problema citado acima e como proposto no estudo, vamos avaliar formas e tecnologias dos dias atuais que possivelmente preveniriam e alertariam as instituições sobre tais fraudes, assim evitando enormes perdas. 28 | Detecção de fraudes em transações bancárias utilizando inteligência artificial Revista Processando o Saber - v.17 - p. 21-37 - 2025 1.3.1 Fraude de Jerome Kerviel no Société Générale (2008) Jerome Kerviel foi um operador do banco Société Générale que se envolveu em uma das maiores fraudes da história financeira. Em 2008, Kerviel foi responsável por realizar operações não autorizadas e arriscadas, especulando no mercado de futuros. Ele criou posições massivas e não autorizadas em contratos futuros, assumindo enormes riscos sem o conhecimento ou permissão do banco (HERMANN FILHO, 2011). O total de perdas acumuladas pelo banco alcançou a incrível soma de quatro bilhões e novecentos milhões de euros e, são decorrentes de operações não autorizadas que foram, no decorrer do tempo, escondidas por operações fictícias, que anulavam o impacto nos relatórios que monitoravam os riscos de mercado (HERMANN FILHO, 2011). 1.3.2 Fraude de Nick Leeson no Barings Banks (1995) Nick Leeson, um corretor britânico, operava na filial de Cingapura do Barings Bank. Ele realizou operações não autorizadas em contratos futuros de índice Nikkei, assumindo posições excessivamente arriscadas. Leeson ocultava suas perdas através de uma série de transações fraudulentas e manipulações contábeis (DE QUEIROZ MACHADO, 2015). As perdas acumuladas por Leeson atingiram um montante colossal de aproximadamente 1,4 bilhão de dólares, levando à falência do Barings Bank em 1995. Este caso ilustrou a importância da supervisão e controle rigorosos nas operações de trading em instituições financeiras. Cabe mencionar a falha na gestão de risco do Banco Barings, que desde sua origem e em sua evolução histórica mostrou-se ser uma instituição envolvida com transações altamente arriscadas. Isso envolve, por outro lado, a questão da profissionalização da gestão, que é essencial em qualquer tipo de instituição (DE QUEIROZ MACHADO, 2015, p. 327). 1.4 USANDO IA PARA PREVENIR FRAUDES DOS CASOS DE USO Como proposto na seção acima, serão avaliados os dois casos de uso citados acima e demonstrar como essas fraudes poderiam ter sido evitadas caso na sua respectiva época a tecnologia tivesse em um nível significativamente avançado. 29 | Detecção de fraudes em transações bancárias utilizando inteligência artificial Revista Processando o Saber - v.17 - p. 21-37 - 2025 1.4.1 Fraude de Jerome Kerviel no Société Générale (2008) No caso do Jerome Kerviel podemos citar alguns algoritmos e métodos de IA para prevenção desse tipo de fraude, como: Algoritmos de clusterização e Árvore de decisão. Algoritmos de clusterização podemos citar K-means, esse algoritmo tem o objetivo de encontrar grupos nos dados. O agrupamento dos pontos de dados é realizado pela similaridade do recurso encontrados na base, onde esse algoritmo busca de forma iterativa atribuir cada ponto de dados a um dos grupos (MATHIJSSEN; OVEREEM; JANSEN, 2020, KOHILAN; et al., 2023). Árvore de decisão é uma técnica que divide dados em várias subcategorias com base em diferentes critérios. Pode ser usado para identificar padrões em transações que podem ser indicativos de atividades fraudulentas (BELTRAN, 2019). Os modelos denominados de Árvore de decisão como o próprio nome sugere trata-se de uma árvore onde existem nós e em cada nó tem a função de representar um teste em algum atributo e assim cada ramo de árvore representa um resultado desse teste (MATHIJSSEN; OVEREEM; JANSEN, 2020, KOHILAN; et al., 2023). 1.4.2 Fraude de Nick Leeson no Barings Banks (1995) No caso da Fraude de Nick Leeson no Barings Banks poderíamos citar alguns métodos de prevenção, como: Monitoramento de riscos em tempo real e Análise de padrões de negociação. Sistemas de IA poderiam ter sido usados para monitorar continuamente as posições e os riscos de trading, alertando os gestores quando as operações ultrapassassem limites predefinidos. Nesse caso um “Sistema de Gerenciamento de Riscos em Tempo Real” (Real-Time Risk Management System). Este tipo de sistema utiliza técnicas avançadas de análise de dados em tempo real, incluindo aprendizado de máquina, processamento de eventos complexos (CEP) e outras técnicas estatísticas para avaliar e monitorar em tempo real uma ampla gama de riscos em diversos contextos, como financeiros, operacionais, regulatórios, de segurança, entre outros (LIMA, 2022). A Inteligência Artificial de Análise de Padrões de Negociação poderia ser usada para analisar padrões de negociação e identificar desvios significativos, sinalizando atividades potencialmente fraudulentas. 36 | Detecção de fraudes em transações bancárias utilizando inteligência artificial Revista Processando o Saber - v.17 - p. 21-37 - 2025 Deste modo, torna-se inegável que o uso da IA nas instituições financeiras, para detecção e prevenção de fraudes entre outros serviços, é imprescindível. É importante sempre atualizar os métodos assim que possível e buscar inovação tecnológica para essas áreas, para que a otimização sempre esteja em avanço. REFERÊNCIAS AZEVEDO, Frederico Luis de. Detecção de fraudes de cartão de crédito em uma base brasileira utilizando Autoencoder. 2021. 55 f. Dissertação (Mestrado em Computação Aplicada) - Programa de Pós-graduação em Computação Aplicada, Instituto Federal do Espírito Santo, Serra, 2021. BARCELOS, Vanessa Azevedo; DOS SANTOS, André Moraes. Transformação digital e seguro: uma revisão sistemática da literatura. Revista de Gestão e Secretariado (Management and Administrative Professional Review), v. 14, n. 6, p. 8849-8874, 2023. BELTRAN, Rafael Duarte. Detecção de fraudes bancárias utilizando métodos de clustering. Orientador: Alessandro Bof de Oliveira. 2019. 61 p. Trabalho de Conclusão de Curso (Bacharel em Ciência da Computação) - Universidade Federal do Pampa, Curso de Ciência da Computação, Alegrete, 2019. CAIRES, Daniel de Oliveira. Técnicas de interpretabilidade para aprendizado de máquina: um estudo abordando avaliação de crédito e detecção de fraude. 2022. Dissertação (Mestrado em Matemática, Estatística e Computação) - Instituto de Ciências Matemáticas e de Computação, University of São Paulo, São Carlos, 2022. doi:10.11606/D.55.2022.tde-16122022-180337. CRISTOVÃO, Rafael Belmiro. Detecção de fraudes em cartão de crédito: um caso de uso de modelos supervisionados no e-commerce brasileiro. 2023. Dissertação (Mestrado em Matemática, Estatística e Computação) - Instituto de Ciências Matemáticas e de Computação, University of São Paulo, São Carlos, 2023. DE LIMA, J. D. N. KOCHHANN, A. A Inteligência Artificial na educação: as implicações no futuro do trabalho docente. CONTRIBUCIONES A LAS CIENCIAS SOCIALES, [S. l.], v. 16, n. 9, p. 17307–17318, 2023. DE QUEIROZ MACHADO, Diego et al. O Caso Barings: As Lições Foram Aprendidas. Revista Alcance, v. 22, n. 2 (Abr-Jun), p. 316-329, 2015. DE SOUZA, Daniel Henrique Miguel; BORDIN JR, Claudio J. Detecção de fraude de cartão de crédito por meio de algoritmos de aprendizado de máquina. Revista Brasileira de Computação Aplicada, v. 15, n. 1, p. 1-11, 2023. GIL, Antonio Carlos. Como elaborar projetos de pesquisa. 4. ed. São Paulo: Atlas, 2002. 37 | Detecção de fraudes em transações bancárias utilizando inteligência artificial Revista Processando o Saber - v.17 - p. 21-37 - 2025 HERMANN FILHO, Roberto Max. Escândalos financeiros: a problemática das falhas de controle de mesas de instituições financeiras durante os anos de 1995 a 2008. 2011. 88 f. Dissertação (Mestrado em Administração) - Pontifícia Universidade Católica de São Paulo, São Paulo, 2011. KOHILAN, Rasenthiran et al. A Machine Learning-based Approach for Detecting Smishing Attacks at End-user Level. In: 2023 IEEE International Conference on e-Business Engineering (ICEBE). IEEE, 2023. p. 149-154. KOVACH, Stephan. Detecção de fraudes em transações financeiras via Internet em tempo real. 2011. Tese (Doutorado em Sistemas Digitais) - Escola Politécnica, Universidade de São Paulo, São Paulo, 2011. LIMA, Jardielma Queiroz de. Detecção de fraudes em cartões de crédito utilizando técnicas de aprendizado de máquina. 2022. 74 f. Trabalho de Conclusão de Curso (Graduação em Sistemas de Informação) - Instituto Federal do Espírito Santo, Serra, 2022. MARTINS, Emerson; GALEGALE, Napoleão Verardi. Detecção de fraudes no segmento de crédito financeiro utilizando aprendizado de máquina: uma revisão da literatura. Revista e-TECH: Tecnologias para Competitividade Industrial-ISSN-1983-1838, v. 15, n. 3, 2022. MATHIJSSEN, Max; OVEREEM, Michiel; JANSEN, Slinger. Identification of practices and capabilities in API management: a systematic literature review. arXiv preprint arXiv:2006.10481, 2020. OLIVEIRA, Rafael Barros de. Aprendizado de máquinas e desafios da gestão na era dos dados: um estudo de caso na área de prevenção a fraudes bancárias. 2019. 52 f. Trabalho de Conclusão de Curso (Bacharelado em Administração) Universidade de Brasília, Brasília, 2019. SANCHES, Marcelo Kaminski. Aprendizado de máquina semi-supervisionado: proposta de um algoritmo para rotular exemplos a partir de poucos exemplos rotulados. 2003. Dissertação (Mestrado em Ciências de Computação e Matemática Computacional) - Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos, 2003. SANTOS, Evandro da Silva dos. Aplicação de algoritmos de aprendizagem supervisionada de máquina em sistemas embarcados no auxílio à aplicação de defensivos agrícolas. 2023. Dissertação (Mestrado em Tecnologias Computacionais para o Agronegócio) - Universidade Tecnológica Federal do Paraná, Medianeira, 2023. SEMEDO, D. (2022) Auditoria interna no setor bancário e a sua importância na prevenção e deteção da fraude. (Dissertação de mestrado não publicada). Instituto Politécnico de Lisboa, Instituto Superior de Contabilidade e Administração de Lisboa. SICHMAN, J. S. Inteligência Artificial e sociedade: avanços e riscos. Estudos Avançados, [S. l.], v. 35, n. 101, p. 37-50, 2021. DOI: 10.1590/s0103-4014.2021.35101.004. Disponível em: https://www.revistas.usp.br/eav/article/view/185024. Acesso em: 10 jan. 2024.