Prevención del fraude con machine learning: revisión de la literatura
| dc.contributor.Mentor | Fraiman, Daniel | |
| dc.creator.Autor | Ferrari Navarro, Daiana Soledad | |
| dc.date.accessioned | 2025-10-22T17:47:17Z | |
| dc.date.available | 2025-10-22T17:47:17Z | |
| dc.date.issued | 2025 | |
| dc.description | Fil: Ferrari Navarro, Daiana Soledad. Universidad de San Andrés. Departamento de Matemática y Ciencias; Argentina. | |
| dc.description.abstract | La detección de fraudes en ecosistemas financieros ha tenido una evolución muy significativa durante los últimos años pasando por el uso de reglas expertas y parametría en los productos, Inteligencia Artificial, Machine Learning, Deep Learning hasta estar hoy en el punto de la evaluación en tiempo real y el verdadero trabajo preventivo. Esta revisión bibliográfica se basó en 79 artículos académicos para resumir el estado del arte en la utilización de la ciencia de datos en la resolución del problema de la prevención del fraude en banca. En particular, el interés está puesto únicamente sobre las transacciones monetarias de entre un mundo de posibles maneras de cometer fraude actualmente. La manera de estructurar la búsqueda y el resumen fue en las grandes familias de algoritmos: Supervisados, No Supervisados e Híbridos, con una mención especial a los grafos. Los algoritmos son resumidos y evaluados según su desempeño pero también los recursos que demandan y la facilidad de su aplicación. Asimismo, el entendido de base es que la evaluación debe ser en tiempo real. Se incluyen los mayores retos con los que se encuentra actualmente en el campo desde la perspectiva experta de la autora: el imbalance de las clases, las definiciones de anomalías, los patrones cambiantes y dinámicos, defraudadores cada día más sofisticados... El resultado no es más que reafirmar el valor que tiene para este trabajo el contar con la tecnología que permita continuar decidiendo sobre las transacciones en línea y hacerlo cada día con el menor impacto posible en el usuario genuino, y esto pese a que no hay un modelo o solución claramente "ganador"ni visiblemente alejado en performance de los demás de su entorno, sí queda claro que el mundo se mueve camino a evaluación en streaming, con modelos híbridos y apuntando al aprendizaje automático. Ya no es sólo un problema estadístico, muchas más profesiones deben sentarse a la mesa, ingenieros de datos, MLOps, arquitectos, ingenieros, el fraude se complejiza y nuestro trabajo también. | |
| dc.format | application/pdf | |
| dc.identifier.uri | https://repositorio.udesa.edu.ar/handle/10908/25852 | |
| dc.language | spa | |
| dc.publisher | Universidad de San Andrés. Departamento de Matemática y Ciencias | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.rights | https://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.title | Prevención del fraude con machine learning: revisión de la literatura | |
| dc.type | Tesis | |
| dc.type | info:eu-repo/semantics/masterThesis | |
| dc.type | info:ar-repo/semantics/tesis de maestría | |
| dc.type | info:eu-repo/semantics/updatedVersion |
Files
Original bundle
Loading...
- Name:
- [P][W] M. C.deD. Ferrari Navarro, Daiana Soledad.pdf
- Size:
- 1.43 MB
- Format:
- Adobe Portable Document Format
- Description: