Do Controle Patrimonial à Inteligêncial Artificial: Como desenvolvi o Fraudshield AI 2.0 no Bootcamp
- #Machine Learning
- #Data
- #Python
- #Inteligência Artificial (IA)
Há alguns dias concluir o Bootcamp Accenture Brasil + DIO, isso representou muito mais do que aprender tecnologias.
Essa jornada me permitiu conectar minha formação em Ciências Contábeis, minha experiência profissional em análises financeiras e conciliações, e os conhecimentos adquiridos em Data Analytics, Machine Learning e Inteligência Artificial para desenvolver uma solução aplicada a um problema real de mercado.
O resultado desse aprendizado foi o FraudShield AI 2.0, uma plataforma de prevenção a fraudes financeiras construída em Python e Streamlit, capaz de transformar grandes volumes de dados em informações estratégicas para tomada de decisão.
O Início da Jornada
Ao iniciar o Bootcamp, meu objetivo não era apenas aprender Python ou desenvolver dashboards.
Meu interesse sempre esteve relacionado à capacidade de utilizar dados para apoiar decisões corporativas, reduzir riscos e gerar valor para as organizações.
Ao longo da minha trajetória profissional, atuando com análises financeiras, conciliações contábeis e interpretação de movimentações patrimoniais, aprendi que números contam histórias.
Toda divergência possui uma causa.
Toda inconsistência possui uma origem.
Toda movimentação financeira produz impactos que precisam ser compreendidos.
Esse mesmo raciocínio é encontrado na Ciência de Dados.
Enquanto a contabilidade busca explicar os fatos ocorridos no patrimônio, a análise de dados permite identificar padrões, prever comportamentos e apoiar decisões futuras.
Foi exatamente essa conexão que busquei explorar durante o desenvolvimento do projeto.
O Problema
Fraudes financeiras representam um dos maiores desafios enfrentados por instituições financeiras, fintechs, seguradoras e empresas que operam grandes volumes de transações.
Além das perdas financeiras diretas, existem impactos relacionados à reputação, conformidade regulatória, experiência do cliente e custos operacionais.
O desafio proposto consistiu em desenvolver uma solução capaz de identificar transações fraudulentas em um cenário extremamente desbalanceado.
No conjunto de dados utilizado, apenas 492 transações eram fraudes dentro de um universo de 284.807 operações analisadas.
Isso significa que apenas 0,17% das transações eram fraudulentas.
Em outras palavras, para cada fraude identificada existiam centenas de operações legítimas.
Esse tipo de cenário representa uma das maiores dificuldades para modelos de Machine Learning.
Tecnologias Utilizadas
Durante o desenvolvimento do FraudShield AI 2.0 foram aplicadas tecnologias amplamente utilizadas pelo mercado:
- Python
- Pandas
- NumPy
- Scikit-Learn
- LightGBM
- Random Forest
- Redes Neurais
- Matplotlib
- Seaborn
- Streamlit
Além das ferramentas, foram explorados conceitos fundamentais relacionados a:
- Estatística Aplicada
- Data Analytics
- Machine Learning
- Balanceamento de Classes com SMOTE
- Explainable AI (XAI)
- Visualização de Dados
- Risk Analytics
- Indicadores Financeiros
A Contribuição da Minha Experiência Profissional
Um dos aspectos mais relevantes deste projeto foi perceber como minha experiência anterior contribuiu diretamente para o desenvolvimento da solução no entendimento de negócio, buscando gerar valor empresarial .
Durante anos trabalhando com análises financeiras e conciliações, desenvolvi habilidades relacionadas à investigação de inconsistências, cruzamento de informações, validação de registros e interpretação de impactos patrimoniais.
Essas competências possuem forte aderência ao trabalho realizado em Ciência de Dados.
Ao analisar uma conciliação financeira, buscamos identificar divergências e compreender suas causas.
Ao analisar dados para detecção de fraudes, realizamos exatamente o mesmo processo sob uma perspectiva tecnológica.
Em ambos os casos, o objetivo é transformar dados em conhecimento e conhecimento em decisão.
A formação em Ciências Contábeis também contribuiu para compreender o impacto financeiro dos resultados produzidos pelos modelos, permitindo que o projeto fosse além das métricas técnicas e incorporasse indicadores de negócio.
O Que Foi Construído
O FraudShield AI 2.0 foi estruturado como uma plataforma completa composta por diferentes módulos.
Painel Executivo
Apresentação dos principais indicadores do negócio:
- Volume de transações analisadas
- Quantidade de fraudes identificadas
- Taxa de fraude
- Perdas evitadas
Painel Análise
Análise exploratória dos dados por meio de gráficos estatísticos, distribuições e correlações.
Painel Risco
Transformação dos resultados técnicos em indicadores financeiros como:
- Perdas evitadas
- Exposição residual
- Custos operacionais
- ROI da Inteligência Artificial
Painel Explainable AI (XAI)
Explicação dos fatores que influenciam as decisões dos modelos, promovendo transparência e governança.
Painel Desenvolvimento (Performance)
Comparação entre diferentes algoritmos para identificação do melhor modelo.
Resultados Obtidos
Os resultados alcançados demonstraram a eficiência da solução.
- 284.807 transações analisadas
- 492 fraudes identificadas
- Taxa de fraude de apenas 0,17%
- R$ 47.500 em perdas evitadas
- Apenas 4 falsos positivos
- Apenas 6 fraudes não detectadas
- ROI estimado de R$ 47.300
Entre os modelos avaliados, o LightGBM apresentou o melhor desempenho geral:
- Accuracy: 99,93%
- Precision: 82,61%
- Recall: 76%
- ROC-AUC: 95,87%
Esses resultados demonstram não apenas capacidade preditiva, mas também potencial de geração de valor financeiro para organizações.
Principais Aprendizados
Mais do que aprender ferramentas, o desenvolvimento deste projeto ampliou minha visão sobre o papel estratégico dos dados nas organizações.
Compreendi que Machine Learning não se resume a algoritmos.
O verdadeiro valor está na capacidade de conectar tecnologia, conhecimento de negócio e tomada de decisão.
Também fortaleceu competências relacionadas a:
- Pensamento analítico
- Resolução de problemas complexos
- Estatística aplicada
- Inteligência Artificial
- Visualização de dados
- Gestão de riscos
- Governança
- Compliance
- Interpretação financeira
Conclusão
O Bootcamp Accenture Brasil + DIO representou uma experiência transformadora.
O FraudShield AI 2.0 simboliza a convergência entre minha experiência em finanças e contabilidade e as novas competências desenvolvidas em Ciência de Dados e Inteligência Artificial.
Hoje me vejo preparada para atuar em ambientes onde tecnologia e negócio precisam caminhar juntos, contribuindo para transformar dados em informações estratégicas, reduzir riscos e apoiar decisões que gerem valor para as organizações.
Mais do que aprender a programar, aprendi a utilizar dados para resolver problemas reais.
Abaixo, deixo os links do projeto no Github e a apresentação no Youtube.
https://youtu.be/tSgUv0Sp93o
#DataAnalytics #Python #MachineLearning #ArtificialIntelligence #BusinessAnalytics #RiskManagement #Compliance #Accounting #Finance #DataScience #OpenToWork #DIO #Accenture #FraudDetection
