Cloud

Machine learning combate fraudes sem perturbar o cliente

O uso de ferramentas de inteligência artificial e aprendizado de máquina já se tornou lugar-comum nas plataformas de computação em nuvem, mas apesar do avanço, a maioria das empresas ainda não aposta nesse caminho para extrair valor dos inúmeros dados que possuem. 

“Para transformar em valor, ter dados não é suficiente. É imperativo aproveitar todos os dados a que uma empresa tem acesso. As empresas orientadas por dados estão crescendo mais de 30% ao ano. E mesmo assim muitas organizações ainda não fazem os dados funcionarem. Embora as empresas criem e armazenem mais dados do que nunca, 68% dizem não serem capazes de perceber valor tangível nos dados. Isso porque apenas 28% das empresas tem uma estratégia para aproveitar e extrair percepção dos dados”, afirmou nesta quarta, 15/3, o diretor geral da AWS no Brasil, Cleber Morais, durante o AWS Marathon. 

O evento abriu espaço para alguns exemplos de uso prático do machine learning, com destaque para o uso na detecção de fraudes, como demonstrou o coordenador de modelagem do Banco Inter, Rodolfo Dollinger. “Nossa preocupação foi construir essa estrutura de machine learning de forma a enfrentar o crescimento tão exponencial que a gente teve. Não pode ter gargalos”, disse. O Banco Inter saltou de 1 milhão para 25 milhões de clientes em menos de cinco anos.

Dollinger destacou especialmente o uso do aprendizado de máquina para trazer ganhos de processos à empresa, sem que isso implique em perturbar os clientes. “Machine Learning não é um fim, mas uma ferramenta para melhorar e otimizar nossos processos. E nos permite fazer isso afetando da menor maneira possível o cliente. Porque antifraude tem ‘falso positivo’ muito alto”, explicou. 

Segundo ele, “um dos pontos interessantes é que a integração com outras áreas é muito importante. E que é preciso balancear o impacto positivo e negativo para o cliente. Porque um cliente afetado negativamente com um falso positivo é muito pior para a gente do que detectar uma fraude de forma adiantada. Então fazer essa integração e ver como isso afeta o cliente de forma direta é um dos principais aprendizados.”


Como apontou o diretor geral da AWS no Brasil, as ferramentas de machine learning são especialmente importantes para que as organizações deem conta das vastas quantidades de dados disponíveis, especialmente diante de informações que não são estruturadas. 

“Antes do machine learning era possível analisar dados tabulares e fazer previsões, por exemplo, usando dados históricos para prever vendas futuras. Mas isso era possível porque dados tabulares são estruturados. Portanto, era possível escrever regras para analisá-los. Mas a maioria dos dados do mundo atual não é tabulada. São textos, áudios, vídeos, imagens e assim por diante. Mais de 80% de todos os dados gerados atualmente não são tabulares, são dados não estruturados. E é onde estão os insights que se deseja extrair”, disse Cleber Morais.

Botão Voltar ao topo