Detección de anomalías en transacciones financieras aplicando inteligencia artificial para evitar el fraude

Abstract

En la actualidad, las instituciones financieras juegan un papel crucial en la economía global, gestionando un inmerso volumen de transacciones cada día. Cualquier anomalía en estos procesos puede tener consecuencias graves tanto para los usuarios como para las propias entidades, lo que hace imprescindible garantizar la seguridad en este sector. Dado que el fraude financiero representa una amenaza constante, es fundamental que estas organizaciones adopten tecnologías innovadoras que les permitan optimizar sus sistemas de detección y prevención. En este contexto, el uso de Machine Learning ha demostrado ser una herramienta clave, ya que permite identificar patrones anómalos en las transacciones con gran precisión y en tiempo real, mejorando significativamente la capacidad de respuesta ante posibles fraudes. Este documento detalla el proceso completo, desde la recopilación y preprocesamiento de datos, aplicando técnicas de ingeniería de características, como la transformación de fechas o el cálculo de distancias, con el objetivo de mejorar la detección de anomalías. Además, se han explorado distintos enfoques según el tipo de modelo, ajustando el peso de las clases en modelos supervisados para corregir el desbalance de datos y utilizando reducción de dimensionalidad (PCA) en modelos no supervisados. Finalmente, se ha desarrollado una API en FastAPI capaz de analizar y predecir transacciones en tiempo real y almacenar los resultados para su posterior consulta y evaluación.