image

Access unlimited bootcamps and 750+ courses forever

75
%OFF

EL

Edilza Lima20/11/2026 14:41
Share

Como criei um detector de fraudes bancárias com Python e Machine Learning.

    Quando estudamos Ciência de Dados e Inteligência Artificial, um dos desafios mais interessantes é sair da teoria e resolver problemas reais do mercado financeiro. Recentemente, desenvolvi um protótipo de **Detecção de Fraudes em Cartões de Crédito** utilizando **Python**, **Pandas** e **Scikit-Learn** diretamente pelo Google Colab.

    Neste artigo, compartilho como estruturei o modelo e uma lição importante sobre **viés nos dados** que descobri durante os testes.

    ---

    ### 1. O Problema de Negócio

    Sistemas bancários antigos costumam usar regras fixas (como *"bloquear qualquer compra acima de R$ 3.000"*). Na prática, isso gera dois problemas:

    * **Falsos Positivos:** Bloqueio de clientes legítimos fazendo compras altas durante o dia.

    * **Falsos Negativos:** Golpistas passando valores baixos de madrugada para testar cartões clonados sem disparar alertas.

    O objetivo foi treinar uma **Árvore de Decisão (`DecisionTreeClassifier`)** para aprender padrões combinando o **valor** e o **horário** da transação.

    ---

    ### 2. A Descoberta no Teste de Estresse (Versão 1 vs. Versão 2)

    Na **Versão 1**, treinei o modelo com uma amostra inicial e decidi plotar a árvore com o `Matplotlib` para auditar como a IA estava tomando decisões.

    Foi aí que encontrei uma falha crítica: o algoritmo criou apenas uma regra (`valor <= 1550.0`) e **ignorou completamente o horário da compra**. Como resultado, ele bloqueou uma compra legítima de R$ 3.500 às 14h e aprovou uma tentativa de fraude de R$ 150 às 3h da madrugada.

    **Como resolvi (Versão 2):**

    Enriqueci o dataset de treino com cenários mistos (compras altas diurnas e compras baixas de madrugada). Ao retreinar o modelo, a Árvore de Decisão passou a cruzar **horário + valor**, acertando as previsões no teste de estresse.

    ---

    ### 3. Código e Repositório

    Todo o notebook interativo (com botão *Open in Colab*) está disponível no meu GitHub para quem quiser testar ou evoluir o projeto:

    👉 **Acesse o projeto no GitHub:** https://github.com

    ---

    **Principais aprendizados:** Em Machine Learning, um modelo só é tão bom quanto a qualidade e variedade dos dados que entregamos a ele. Auditar como a IA toma decisões (*Explainable AI*) é essencial antes de colocar qualquer solução em produção.

    Share
    Recommended for you
    Microsoft - Certificação AI-103
    Neo4j - Certification
    DXC - IA do Zero ao Primeiro Agente
    Comments (0)