Predição de fraudes em PIX utilizando Deep Learning
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Universitário da Ânima (RUNA) |
Texto Completo: | https://repositorio.animaeducacao.com.br/handle/ANIMA/28790 |
Resumo: | Este trabalho tem como tema central o estudo e criação de um modelo preditivo que visa mitigar potenciais fraudes utilizando a nova ferramenta de pagamentos do Banco Central, o Pix. Sob a era do Pix, as transações financeiras ganharam outro patamar com menos burocracia. No rastro da facilidade, porém, não faltam relatos de golpes e falhas de segurança envolvendo a ferramenta já usada por milhões de usuários entre pessoas físicas e jurídicas. Os golpes envolvendo o Pix contam com o elo mais fraco da operação: o próprio consumidor. Na maioria dos casos, a vulnerabilidade do sistema é a ponta da operação. O principal mecanismo que prejudica as vítimas é a chamada “engenharia social”, que consiste em persuadir o usuário a compartilhar dados pessoais e informações bancárias. Nesta tática, a vítima é induzida a fazer um Pix achando que está pagando por um produto ou serviço, por exemplo. Quanto à metodologia utilizada, trata-se de um projeto de desenvolvimento de um algoritmo preditivo, baseado em modelos de Deep Learning e de alguns modelos e métricas. Os dados utilizados para a realização deste foram sintéticos, pois há uma grande dificuldade de encontrar dados deste gênero para realização do treinamento dos modelos selecionados para o desenvolvimento deste trabalho. |
id |
Ânima_c3fe0f9110055d3b5386ffcf5c9bb216 |
---|---|
oai_identifier_str |
oai:repositorio.animaeducacao.com.br:ANIMA/28790 |
network_acronym_str |
Ânima |
network_name_str |
Repositório Universitário da Ânima (RUNA) |
repository_id_str |
|
spelling |
Predição de fraudes em PIX utilizando Deep LearningPixModelo PreditivoFraudeEste trabalho tem como tema central o estudo e criação de um modelo preditivo que visa mitigar potenciais fraudes utilizando a nova ferramenta de pagamentos do Banco Central, o Pix. Sob a era do Pix, as transações financeiras ganharam outro patamar com menos burocracia. No rastro da facilidade, porém, não faltam relatos de golpes e falhas de segurança envolvendo a ferramenta já usada por milhões de usuários entre pessoas físicas e jurídicas. Os golpes envolvendo o Pix contam com o elo mais fraco da operação: o próprio consumidor. Na maioria dos casos, a vulnerabilidade do sistema é a ponta da operação. O principal mecanismo que prejudica as vítimas é a chamada “engenharia social”, que consiste em persuadir o usuário a compartilhar dados pessoais e informações bancárias. Nesta tática, a vítima é induzida a fazer um Pix achando que está pagando por um produto ou serviço, por exemplo. Quanto à metodologia utilizada, trata-se de um projeto de desenvolvimento de um algoritmo preditivo, baseado em modelos de Deep Learning e de alguns modelos e métricas. Os dados utilizados para a realização deste foram sintéticos, pois há uma grande dificuldade de encontrar dados deste gênero para realização do treinamento dos modelos selecionados para o desenvolvimento deste trabalho.Zambiasi, Saulo PopovPrado, Bruno de Souza2022-12-14T12:54:42Z2022-12-14T12:54:42Z2022-12-13info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesis49 f.application/pdfhttps://repositorio.animaeducacao.com.br/handle/ANIMA/28790FlorianópolisAtribuição-NãoComercial-SemDerivados 3.0 Brasilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessporreponame:Repositório Universitário da Ânima (RUNA)instname:Ânima Educaçãoinstacron:Ânima2022-12-14T12:54:44Zoai:repositorio.animaeducacao.com.br:ANIMA/28790Repositório InstitucionalPRIhttps://repositorio.animaeducacao.com.br/oai/requestcontato@animaeducacao.com.bropendoar:2022-12-14T12:54:44Repositório Universitário da Ânima (RUNA) - Ânima Educaçãofalse |
dc.title.none.fl_str_mv |
Predição de fraudes em PIX utilizando Deep Learning |
title |
Predição de fraudes em PIX utilizando Deep Learning |
spellingShingle |
Predição de fraudes em PIX utilizando Deep Learning Prado, Bruno de Souza Pix Modelo Preditivo Fraude |
title_short |
Predição de fraudes em PIX utilizando Deep Learning |
title_full |
Predição de fraudes em PIX utilizando Deep Learning |
title_fullStr |
Predição de fraudes em PIX utilizando Deep Learning |
title_full_unstemmed |
Predição de fraudes em PIX utilizando Deep Learning |
title_sort |
Predição de fraudes em PIX utilizando Deep Learning |
author |
Prado, Bruno de Souza |
author_facet |
Prado, Bruno de Souza |
author_role |
author |
dc.contributor.none.fl_str_mv |
Zambiasi, Saulo Popov |
dc.contributor.author.fl_str_mv |
Prado, Bruno de Souza |
dc.subject.por.fl_str_mv |
Pix Modelo Preditivo Fraude |
topic |
Pix Modelo Preditivo Fraude |
description |
Este trabalho tem como tema central o estudo e criação de um modelo preditivo que visa mitigar potenciais fraudes utilizando a nova ferramenta de pagamentos do Banco Central, o Pix. Sob a era do Pix, as transações financeiras ganharam outro patamar com menos burocracia. No rastro da facilidade, porém, não faltam relatos de golpes e falhas de segurança envolvendo a ferramenta já usada por milhões de usuários entre pessoas físicas e jurídicas. Os golpes envolvendo o Pix contam com o elo mais fraco da operação: o próprio consumidor. Na maioria dos casos, a vulnerabilidade do sistema é a ponta da operação. O principal mecanismo que prejudica as vítimas é a chamada “engenharia social”, que consiste em persuadir o usuário a compartilhar dados pessoais e informações bancárias. Nesta tática, a vítima é induzida a fazer um Pix achando que está pagando por um produto ou serviço, por exemplo. Quanto à metodologia utilizada, trata-se de um projeto de desenvolvimento de um algoritmo preditivo, baseado em modelos de Deep Learning e de alguns modelos e métricas. Os dados utilizados para a realização deste foram sintéticos, pois há uma grande dificuldade de encontrar dados deste gênero para realização do treinamento dos modelos selecionados para o desenvolvimento deste trabalho. |
publishDate |
2022 |
dc.date.none.fl_str_mv |
2022-12-14T12:54:42Z 2022-12-14T12:54:42Z 2022-12-13 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://repositorio.animaeducacao.com.br/handle/ANIMA/28790 |
url |
https://repositorio.animaeducacao.com.br/handle/ANIMA/28790 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
Atribuição-NãoComercial-SemDerivados 3.0 Brasil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Atribuição-NãoComercial-SemDerivados 3.0 Brasil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
49 f. application/pdf |
dc.coverage.none.fl_str_mv |
Florianópolis |
dc.source.none.fl_str_mv |
reponame:Repositório Universitário da Ânima (RUNA) instname:Ânima Educação instacron:Ânima |
instname_str |
Ânima Educação |
instacron_str |
Ânima |
institution |
Ânima |
reponame_str |
Repositório Universitário da Ânima (RUNA) |
collection |
Repositório Universitário da Ânima (RUNA) |
repository.name.fl_str_mv |
Repositório Universitário da Ânima (RUNA) - Ânima Educação |
repository.mail.fl_str_mv |
contato@animaeducacao.com.br |
_version_ |
1767415796365000704 |