INTELIGÊNCIA ARTIFICIAL EXPLICÁVEL (XAI) NA DETECÇÃO DE FRAUDES FINANCEIRAS: DESAFIOS E OPORTUNIDADES PARA AUMENTAR A TRANSPARÊNCIA EM SISTEMAS BANCÁRIOS
DOI:
https://doi.org/10.63330/armv1n5-014Palavras-chave:
Inteligência Artificial Explicável, XAI, Detecção de Fraudes, Machine Learning, Transparência Algorítmica, Sistemas Bancários, Compliance, Governança AlgorítmicaResumo
A crescente sofisticação das fraudes financeiras tem impulsionado instituições bancárias a adotarem sistemas de inteligência artificial (IA) para detecção automatizada de transações suspeitas. Contudo, a natureza de "caixa-preta" dos algoritmos de machine learning tradicionais levanta questões críticas sobre transparência, conformidade regulatória e confiança dos usuários. Este artigo investiga a aplicação da Inteligência Artificial Explicável (XAI) como solução para aumentar a interpretabilidade dos sistemas de detecção de fraudes financeiras. Através de uma revisão sistemática da literatura e análise de casos práticos, examina-se como técnicas de XAI podem equilibrar eficácia preditiva com transparência algorítmica. Os resultados indicam que ferramentas como LIME (Local Interpretable Model-agnostic Explanations) e SHAP (SHapley Additive exPlanations) oferecem caminhos promissores para criar sistemas de detecção que sejam simultaneamente precisos e interpretáveis. O estudo conclui que a implementação de XAI em sistemas bancários não apenas atende às crescentes demandas regulatórias, mas também fortalece a confiança dos clientes e melhora a eficiência operacional das equipes de compliance.
Referências
ACFE - ASSOCIATION OF CERTIFIED FRAUD EXAMINERS. Report to the Nations: 2023 Global Study on Occupational Fraud and Abuse. Austin: ACFE, 2023.
ALVAREZ-MELIS, David; JAAKKOLA, Tommi S. On the robustness of interpretability methods. Proceedings of the 35th International Conference on Machine Learning, v. 80, p. 66-75, 2018.
ARRIETA, Alejandro Barredo et al. Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. Information Fusion, v. 58, p. 82-115, 2020.
BAHNSEN, Alejandro Correa et al. Feature engineering strategies for credit card fraud detection. Expert Systems with Applications, v. 51, p. 134-142, 2016.
BANCO CENTRAL DO BRASIL. Resolução nº 4.893, de 26 de fevereiro de 2021. Dispõe sobre a política de gerenciamento de riscos e a política de gerenciamento de capital. Brasília: BCB, 2021.
BANCO CENTRAL DO BRASIL. Relatório de Economia Bancária 2022. Brasília: BCB, 2023.
BOLTON, Richard J.; HAND, David J. Statistical fraud detection: A review. Statistical Science, v. 17, n. 3, p. 235-249, 2002.
BRASIL. Lei nº 13.709, de 14 de agosto de 2018. Lei Geral de Proteção de Dados Pessoais (LGPD). Diário Oficial da União, Brasília, DF, 15 ago. 2018.
CHEN, Zheng et al. Machine learning techniques for credit card fraud detection: A comparative study. Proceedings of the 2018 International Conference on Computer Science and Artificial Intelligence, p. 80-84, 2018.
CHOULDECHOVA, Alexandra. Fair prediction with disparate impact: A study of bias in recidivism prediction instruments. Big Data, v. 5, n. 2, p. 153-163, 2017.
DOSHI-VELEZ, Finale; KIM, Been. Towards a rigorous science of interpretable machine learning. arXiv preprint arXiv:1702.08608, 2017.
GDPR - GENERAL DATA PROTECTION REGULATION. Regulation (EU) 2016/679 of the European Parliament and of the Council of 27 April 2016. Official Journal of the European Union, L 119/1, 2018.
GUIDOTTI, Riccardo et al. A survey of methods for explaining black box models. ACM Computing Surveys, v. 51, n. 5, p. 1-42, 2018.
GUNNING, David; AHA, David W. DARPA's explainable artificial intelligence program. AI Magazine, v. 40, n. 2, p. 44-58, 2019.
LIU, Fei Tony; TING, Kai Ming; ZHOU, Zhi-Hua. Isolation forest. In: 2008 Eighth IEEE International Conference on Data Mining. IEEE, 2008. p. 413-422.
LUNDBERG, Scott M.; LEE, Su-In. A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, v. 30, p. 4765-4774, 2017.
MEHRABI, Ninareh et al. A survey on bias and fairness in machine learning. ACM Computing Surveys, v. 54, n. 6, p. 1-35, 2021.
MOLNAR, Christoph. Interpretable machine learning: A guide for making black box models explainable. 2. ed. München: Christoph Molnar, 2019.
MURDOCH, W. James et al. Definitions, methods, and applications in interpretable machine learning. Proceedings of the National Academy of Sciences, v. 116, n. 44, p. 22071-22080, 2019.
PHUA, Clifton et al. A comprehensive survey of data mining-based fraud detection research. arXiv preprint arXiv:1009.6119, 2010.
RIBEIRO, Marco Tulio; SINGH, Sameer; GUESTRIN, Carlos. "Why should I trust you?" Explaining the predictions of any classifier. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, p. 1135-1144, 2016.
RUDIN, Cynthia. Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature Machine Intelligence, v. 1, n. 5, p. 206-215, 2019.
WEST, Jevin; BHATTACHARYA, Meliha. Intelligent financial fraud detection: A comprehensive review. Computers & Security, v. 57, p. 47-66, 2016.
ZHANG, Xiang et al. Deep learning for fraud detection: A survey. IEEE Access, v. 6, p. 3097-3118, 2018.
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2025 José Henrique Salles Pinheiro (Autor)
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
