Machine Learning en la detección de fraudes de comercio electrónico aplicado a los servicios bancarios

• Alvarez, Fredi ^[1]
  1. [1] Softwaresocial Consultores
• Localización: Ciencia y tecnología, ISSN 1850-0870, ISSN-e 2344-9217, Nº. 20, 2020, págs. 81-95
• Idioma: español
• DOI: 10.18682/cyt.vi0.4310
• Títulos paralelos:
  • Machine Learning in the detection of e-commerce fraud applied to banking services
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Uno de los principales riesgos a los que están sometidas las entidades financieras son los ataques de fraudes electrónicos. Billones de dólares en pérdidas son absorbidas cada año por las entidades financieras debido a transacciones fraudulentas. Este artículo plantea un modelo que considera los principales retos en el diseño de un sistema de detección de fraudes: a) clases altamente desequilibradas, b) distribución de estacionaria de los datos y c) la incorporación en línea de la retroalimentación de los investigadores de fraude ante las transacciones etiquetadas como sospechosas. La implementación del modelo en un conjunto de datos de prueba permitió predecir exitosamente la mayoría de casos de transacciones fraudulentas con un mínimo porcentaje de falsos negativos.

  • English

    One of the main risks to which financial institutions are subject are electronic fraud attacks. Billions of dollars in losses are absorbed each year by financial institutions due to fraudulent transactions.This article presents a model that considers the main challenges to design a fraud detection system: a) highly unbalanced classes, b) stationary distribution of data and c) incorporation of online feedback from fraud investigators on transactions labeled suspicious. The implementation of the model in a test dataset allowed to successfully predicting the majority of cases of fraudulent transactions with a minimum percentage of false negatives.

• Referencias bibliográficas
  • Aite. (2014). Financial Institutions, Merchants, and the Race Against Cyberthreats.
  • Bhattacharyya, S., Jha, S., Tharakunnel, K., & Westland, J. (2011). Data mining for credit card fraud: A comparative study. Decision Support...
  • Breiman, L. (2001). Universidad de California. Obtenido de Random Forest: https://www.stat.berkeley.edu/~breiman/randomforest2001.pdf
  • Correa Bahnsen, A., Stojanovic, A., Aouada, D., & Ottersten, B. (2013). Cost sensitive credit card fraud detection using bayes minimum...
  • Dal Pozzolo, A. (2015). Adaptive Machine Learning for Credit Card Fraud Detection.
  • Donaldson, S. E., Williams, C. K., & Siegel, S. (2019). Undertanding Security Issues.
  • Group, A.-P. W. (2019). Phishing Activity Trends Report - 2nd Quarter 2019.
  • Juszczak, P., Adams, N., Hand, D., Whitrow, C., & Weston, D. (2008). Off-the-peg and bespoke classifiers for fraud detection. En Computational...
  • Koshrow-Pour, M. (s.f.). Encyclopedia of Criminal Activities and the Deep Web. IGI Global.
  • Mendez, J., Fdez-Riverola, F., Díaz, F., & Corchado, J. (2007). Sistemas inteligentes para la detección y filtrado de correo spam: una...
  • Merino, M. (01 de 2019). Conceptos de inteligencia artificial: qué es el aprendizaje por refuerzo . Obtenido de https://www.xataka.com/inteligencia-artificial/conceptos-inteligencia-artificial-que-aprendizaje-refuerzo
  • Mohri, M., Rostamizadeh, A., & Talwalkar, A. (2018). Foundations of machine learning . Second edition. Cambridge, MA : The MIT Press.
  • Morales, L. (2018). BIGDATA: 5 MÉTODOS PARA DETECTAR POSIBLES FRAUDES. Obtenido de https://www.grupo-novatech.com/bigdata-5-metodos-para-detectar-posibles-fraudes/
  • Murphy, K. (2012). Machine learning. A probabilistic perspective. London: The MIT Press.
  • Pathak, N., Pawar, A., & Patil, B. (2015). A Survey on Keylogger: A malicious Attack. International Journal of Advanced Research in Computer...
  • Security Standards Counsil. (2018). Requisitos y procedimientos de evaluación de seguridad. Version 3.2.1. Obtenido de https://es.pcisecuritystandards.org/minisite/env2/
  • Seguridad en Sistemas y Técnicas de Hacking. (2011). ¿Qué es el Hacking? Obtenido de https://thehackerway.com/about/
  • Téllez, J. (2004). Derecho Informático. México: McGraw-Hill, 3ra edición.
  • Viola, P., & Jones, M. (2001). Fast and robust classification using asymmetric adaboost and a detector cascade. Advances in Neural Information...
  • Whitrow, C., Hand, D., Juszczak, P., Weston, D., & Adams, M. (2009). Transaction aggregation as a strategy for credit card fraud detection....