RiskFM: De Modelos Personalizados à Inteligência de Fundação

Imagine chegar ao balcão de uma cafeteria e dizer: “Eu gostaria de um…”. É relativamente fácil adivinhar a próxima palavra. Um café com leite, um expresso ou um chá são previsões seguras. É assim que os grandes modelos de linguagem (LLMs), como o ChatGPT e o Gemini, conseguem “resolver” padrões e previsões de palavras e imagens tão rapidamente: eles construíram uma base (foundation) sólida que torna fácil antecipar o que vem a seguir na sequência.

Embora a linguagem tenha um alfabeto fixo, prever qual transação um consumidor realizará a seguir é muito mais difícil de acertar. Você pode estar comprando um café agora, mas sua próxima compra pode variar de um biscoito a uma corrida de aplicativo até o aeroporto. Uma ampla gama de fatores, incluindo hábitos de consumo, limites ou métodos de pagamento, torna a antecipação da atividade seguinte um desafio maior.

É por isso que a Feedzai desenvolveu o Risk Foundation Model (RiskFM), o primeiro Modelo de Fundação Tabular do setor, construído especificamente para a tomada de decisão de risco em todo o ciclo de vida do crime financeiro, abrangendo múltiplos casos de uso, incluindo fraude, antilavagem de dinheiro (AML) e identidade. Atualmente em fase de pesquisa, o RiskFM já demonstrou a capacidade de aprender autonomamente padrões de comportamento em vastos conjuntos de dados, alcançando paridade com modelos construídos sob medida já no primeiro dia, sem o esforço da engenharia de atributos (feature engineering) intensiva em mão de obra.

Neste post, mergulharemos em como o RiskFM oferece aos bancos a próxima geração de detecção de fraude liderada por IA e por que essa abordagem é a chave para superar a próxima geração de ameaças.

Principais Conclusões

• Enquanto os modelos de linguagem (LLMs) podem aprender a base da linguagem, facilitando a compreensão e a previsão de uma sequência, o risco financeiro é significativamente mais desafiador. Isso porque há muitos métodos de pagamento, hábitos de gastos e opções que podem vir a seguir.
• A construção de modelos tradicionais de machine learning geralmente exige um investimento significativo de tempo e trabalho manual. Além disso, por serem treinados com dados de uma única instituição, eles falham em detectar padrões de ameaças globais emergentes.
• O RiskFM da Feedzai, atualmente em estágio de pesquisa, é projetado exclusivamente para dados transacionais tabulares. It has achieved parity with highly-tuned, bespoke models, removing the typical months of data cleaning and feature engineering work usually required to build a custom model.
• O RiskFM reduz drasticamente o “time to value” (tempo para gerar valor) ao eliminar gargalos operacionais, permitindo que os bancos interrompam fraudes de forma mais eficaz com menos esforço inicial.

Uma Corrida Contra Criminosos Financeiros Adaptáveis

A linguagem segue um roteiro previsível. O crime financeiro, por outro lado, é um alvo caótico e em constante movimento. Os criminosos não seguem as leis e, quando descobertos, inventam novas estratégias.

Essa realidade adversária significa que o comportamento “normal” de um cliente não é apenas difícil de adivinhar; ele está sendo constantemente imitado ou manipulado por fraudadores sofisticados. Como os dados transacionais são muito mais ruidosos do que uma frase, as defesas atuais são forçadas a correr atrás de ameaças que evoluem mais rápido do que o software destinado a interrompê-las.

“A RiskFM prova que nosso investimento plurianual em modelos de fundação está valendo a pena. Não fazemos parte apenas da conversa; estamos definindo como ela se aplica às complexidades da prevenção global de crimes financeiros.” — Pedro Barata, diretor de produtos da Feedzai.

Hoje, construir um modelo de machine learning confiável exige um trabalho considerável: cientistas de dados devem construir manualmente “features” para buscar padrões específicos, como velocidade de transação ou saltos geográficos rápidos. É um processo demorado Essa engenharia manual de recursos dificulta a adaptação rápida às mudanças nos padrões de fraude e hábitos de gastos dos consumidores.

Além do esforço técnico, esses modelos enfrentam o desafio de um “campo de visão” estreito, pois são treinados isoladamente. Essa visão limitada impede que os bancos enxerguem padrões globais de ameaças. Quando um novo padrão é identificado, os criminosos já podem ter mudado de tática.

RiskFM Oferece um Novo Paradigma para Decisões

Dito de outra forma, o machine learning tradicional exige que cientistas de dados identifiquem, definam e codifiquem padrões antes que o modelo possa aprender com eles. Se um padrão não é capturado, o modelo permanece cego a ele. O RiskFM aprende esses padrões autonomamente a partir dos próprios dados, revelando sinais que nenhuma pessoa antecipou e nenhum conjunto de regras capturaria.

“A capacidade de combinar modelos supervisionados personalizados prontos para uso, sem engenharia manual de recursos, tem implicações reais sobre como as instituições pensam sobre velocidade de implantação, custo e cobertura em todo o ciclo de vida do crime financeiro, desde fraude de cartão até AML.” — Sam Abadir, diretor de pesquisa, risco, crime financeiro e conformidade, IDC

Como o RiskFM entende a estrutura fundamental do risco, ele cria valor imediato que elimina meses de engenharia manual. O modelo é construído para tomar decisões autônomas complexas, garantindo que, embora a inteligência nos bastidores seja massiva, o cliente legítimo não sinta fricção.

Como o RiskFM Muda o Jogo

O RiskFM está reimaginando como defendemos o ecossistema financeiro. Veja como essa abordagem de pesquisa em primeiro lugar está reescrevendo as regras:

• Do Manual ao Autônomo:. Utiliza aprendizado auto-supervisionado para identificar padrões complexos de comportamento financeiro e assinaturas matemáticas profundas de risco.
• Valor Imediato: Pesquisas iniciais mostram que o RiskFM atinge paridade com modelos sob medida no “Dia 1”, reduzindo o tempo de interação.
• Inteligência Interinstitucional: Treinado em vastos conjuntos de dados multi-institucionais, permitindo descobrir ameaças sofisticadas. Because it shares the knowledge of the threat without ever sharing the underlying personal data, every bank in the network benefits from the model’s collective intelligence.
• Barreira de Entrada Menor: Ao remover gargalos operacionais, permite que bancos parem mais fraudes com menos esforço inicial.

Assim como aprendemos a prever que um cliente em uma cafeteria provavelmente está pedindo um latte e não um cortador de grama, a RiskFM promete permitir que os bancos entendam o fluxo natural do comportamento financeiro. Moveremos a defesa da era da construção manual para um mundo onde seus sistemas já “falam a língua do risco”.

A RiskFM, atualmente em seu estágio de pesquisa e desenvolvimento, é um avanço em inovação que estamos refinando ativamente junto com as principais instituições do mundo. Não estamos apenas procurando usuários; estamos procurando parceiros. Se você estiver pronto para ajudar a moldar o futuro da inteligência autônoma, convidamos você a se tornar um pioneiro em RiskFM. Ao se apoiar agora, você pode nos ajudar a validar essas estruturas contra riscos do mundo real e garantir que sua instituição esteja na vanguarda da próxima grande mudança na prevenção de crimes financeiros.

Recursos Adicionais

• Blog: IA para detecção de fraudes: como funciona e por que é importante
• Relatório: O futuro da prevenção de fraudes: previsões para 2026
• Pesquisa com analistas: Detecção de fraudes em fusão, AML e orquestração de dados
• Solução: IA que vai além do comum