Introdução de Negócio
Fraudes financeiras cresceram junto com a digitalização de pagamentos e transações bancárias, tornando a análise manual de transações suspeitas insuficiente diante do volume atual. Bancos, fintechs e adquirentes de pagamento processam milhares de transações por segundo, e cada uma delas pode ser uma tentativa de fraude, sem que exista tempo hábil para revisão humana antes da aprovação. Segundo o Relatório Global de Crimes Financeiros da Nasdaq e Verafin, as perdas com fraudes e golpes bancários somaram cerca de US$ 500 bilhões em todo o mundo em 2023, reforçando a urgência de soluções automatizadas de detecção.
O que queremos resolver
Independentemente do segmento, instituições financeiras enfrentam desafios parecidos ao tentar identificar fraudes sem prejudicar a experiência do cliente legítimo.
Esse equilíbrio entre bloquear fraudes reais e não incomodar clientes legítimos é um dos maiores desafios de qualquer estratégia antifraude, tornando insuficiente uma abordagem baseada apenas em regras fixas.
Como resolver na AWS
Uma abordagem eficiente para esse problema é treinar e servir modelos de machine learning capazes de avaliar o risco de cada transação em tempo real, combinando detecção de anomalias com classificação supervisionada. Uma esteira de MLOps na AWS permite treinar, validar e atualizar esses modelos de forma contínua, sem depender de retrabalho manual a cada novo padrão de fraude.
O histórico de transações, incluindo casos já confirmados de fraude, fica armazenado no Amazon S3 e serve de base para a etapa de processamento, onde o Amazon SageMaker Processing Job constrói as features de risco de cada transação, como padrão de gasto, geolocalização e dispositivo utilizado.
A partir dessas features, o SageMaker HPO Job e o SageMaker Training Job treinam modelos de machine learning apropriados para o caso de uso de cada empresa, adaptando-se assim à necessidade real e aos dados existentes. Dessa forma, o modelo produzido entende o padrão de transações e é capaz de prever para dados ainda não vistos.
Antes de entrar em produção, o modelo passa por testes em lote no SageMaker Batch Transform, validando seu desempenho contra fraudes históricas já confirmadas. Aprovado, o modelo é publicado em um SageMaker Serverless Endpoint, pronto para avaliar transações em tempo real.
Cada transação chega através de um Amazon API Gateway privado, vindo diretamente dos sistemas do banco ou da adquirente, e é processada por uma função AWS Lambda, que aciona o modelo e processa os resultados gerando um score de risco. O veredito de cada transação é gravado no Amazon DynamoDB, permitindo consulta imediata e auditoria posterior.
A figura acima representa de forma simplificada a esteira de MLOps utilizada para treinar e servir os modelos de detecção de fraude.
Todo esse fluxo é orquestrado pelo AWS Step Functions, que também coordena o retreinamento periódico dos modelos assim que novos casos de fraude são confirmados, mantendo a detecção atualizada sem depender de um novo projeto a cada ciclo.
Ganhos que a arquitetura traz
Decisão em tempo real: cada transação recebe um score de risco em milissegundos, permitindo aprovar ou bloquear antes da conclusão da transação.
Menos falsos positivos: combinar detecção de anomalias com classificação supervisionada reduz bloqueios indevidos em clientes legítimos.
Modelos sempre atualizados: o retreinamento contínuo incorpora rapidamente novos padrões de fraude confirmados pela equipe de risco.
Escalabilidade automática: endpoints serverless e funções Lambda acompanham picos de volume de transações sem gerenciamento manual de infraestrutura.
Auditoria e rastreabilidade: cada score e decisão fica registrado no DynamoDB, facilitando auditorias regulatórias e revisões de casos.
Casos na literatura
No mercado de fintechs, a Fraud.net aplicou essa combinação de modelos sobre Amazon SageMaker, junto com Amazon Kinesis e AWS Lambda, para processar milhares de transações por segundo. O resultado foi uma redução de 80% nos casos de fraude e de 92% nos falsos positivos, além de um aumento de 30% nas aprovações de clientes legítimos que antes eram bloqueados indevidamente.
A Capital One utiliza IA e machine learning para reduzir falsos positivos na detecção de fraude, equilibrando a segurança das transações com uma experiência sem atrito para o cliente.
Já a Truevo, adquirente de pagamentos, utilizou o Amazon Fraud Detector para colocar um modelo de detecção de fraude em produção em apenas 30 minutos, mostrando como serviços gerenciados de IA aceleram a implementação de estratégias antifraude mesmo em equipes menores. Em termos de resultados, eles foram capazes de capturar 35% mais fraudes no cadastramento de novas contas.
Lições aprendidas
Uma esteira de MLOps na AWS, unindo Amazon SageMaker, AWS Lambda, Amazon API Gateway, Amazon DynamoDB e AWS Step Functions, permite treinar, servir e atualizar continuamente modelos de detecção de fraude, avaliando cada transação em tempo real sem depender de revisão manual.
Mais do que bloquear fraudes, essa arquitetura ajuda a equilibrar segurança e experiência do cliente, reduzindo perdas financeiras sem multiplicar o atrito para quem está fazendo uma transação legítima.