Aprendizaje automático y grandes volúmenes de datos en la lucha contra el fraude financiero para proteger la integridad de las transacciones

Abstract

Este estudio realiza una revisión sobre el impacto del aprendizaje automático (Machine Learning, ML) y el análisis de Grandes Volúmenes de Datos (Big Data) en la optimización de los sistemas de detección de fraudes financieros. Se identifican y caracterizan los principales modelos de ML utilizados, con el fin de evaluar su desempeño en cuanto a los términos de precisión y la capacidad para manejar el desbalance de clases inherente a los datos de fraude (Jones Ortiz & Guzmán–Seraquive, 2022). Los resultados de la comparativa indican que modelos avanzados como Potenciación por Gradiente (Gradient Boosting), (XGBoost) y Redes Neuronales alcanzan métricas de efectividad superiores al 95 % en la curva ROC, superando los enfoques tradicionales (Alvarado Zabala et al., 2022). Finalmente, se menciona lineamientos y buenas prácticas para la implementación, abordando desafíos cruciales como la interpretabilidad algorítmica y la detección en tiempo real, los cuales ayudaran a la integridad del sistema financiero colombiano, en cumplimiento del SARLAFT.