La eficiente detección de fraude en las transacciones financieras se ha convertido en una preocupación crÃtica en el panorama financiero actual. Con la creciente sofisticación de los métodos de fraude y la rápida evolución de las tecnologÃas financieras, las instituciones financieras y las empresas se enfrentan a desafÃos constantes para proteger sus activos y salvar la confianza de sus clientes.Â
El fraude financiero abarca una amplia gama de actividades fraudulentas, desde el robo de identidad hasta transacciones maliciosas y actividades engañosas en lÃnea. Estas actividades no solo pueden resultar en pérdidas económicas significativas, sino que también pueden socavar la integridad de los sistemas financieros y la satisfacción de los clientes.Â
En ese sentido, la detección del fraude en las transacciones financieras se ha convertido en una preocupación crÃtica en el panorama financiero actual. Por ende, las técnicas de aprendizaje automático se han convertido en una herramienta clave para la detección del fraude dada su capacidad para analizar grandes volúmenes de datos y detectar patrones sutiles.Â
El objetivo del presente estudio realizado por el Dr. Carlos Guanilo Paredes, docente de nuestra institución, fue evaluar el rendimiento de técnicas de aprendizaje automático como Random Forest y Redes neuronales convolucionales para identificar transacciones fraudulentas en tiempo real. Para ello, se obtuvo un conjunto de datos reales de transacciones financieras de varias instituciones y se aplicaron técnicas de preprocesamiento de datos.Â
Los resultados del estudio demuestran la efectividad de los modelos de aprendizaje automático implementados (Random Forest y Redes neuronales convolucionales) para detectar fraude en transacciones financieras de manera precisa, superando ampliamente el umbral del 95% en el F1-score. Esta alta capacidad de detección respalda el potencial de estas técnicas para garantizar una mayor seguridad en el sistema financiero, al identificar patrones fraudulentos de forma oportuna.
