Inteligencia artificial y fraude bancario: un enfoque desde el machine learning

Abstract

La presente monografía se enfocó en la aplicación de la inteligencia artificial, específicamente el machine learning, para optimizar la detección y prevención del fraude bancario. El objetivo principal fue evaluar el impacto de diversas técnicas de machine learning y determinar cuál fue la más eficaz para la identificación y prevención oportuna de actividades fraudulentas en el sector financiero. A través de un análisis comparativo de estudios científicos indexados, se revisaron más de 30 autores relevantes, consultando artículos publicados en revistas académicas como Applied Sciences, IEEE Access, Computers & Security, Journal of Financial Risk, Journal of Intelligent & Fuzzy Systems y otras disponibles a través de Google Scholar. Los resultados demostraron que el algoritmo XGBoost fue el más preciso y eficiente en contextos caracterizados por grandes volúmenes de datos desbalanceados, mientras que Random Forest destacó por su interpretabilidad y su menor requerimiento computacional. El análisis documental también evidenció que los modelos basados en inteligencia artificial superaron sistemáticamente a los métodos tradicionales de reglas estáticas, particularmente en métricas como la precisión, el recall y el F1-score. Estas conclusiones permitieron recomendar la adopción prioritaria de algoritmos de machine learning en entornos bancarios, considerando la infraestructura tecnológica, las exigencias regulatorias y los riesgos éticos asociados al manejo de datos financieros sensibles. Palabras clave: Inteligencia artificial, machine learning, fraude bancario, métricas, algoritmos.