Desarrollo de un Sistema de Detección de Fraude en Transacciones Electrónicas Usando Inteligencia Artificial

Abstract

El presente proyecto tuvo como objetivo desarrollar un sistema de detección de fraude en transacciones electrónicas mediante técnicas de aprendizaje automático, integrado en una arquitectura cliente-servidor que permite el procesamiento de datos en tiempo casi real.

Para el desarrollo del sistema se utilizó un conjunto de datos proveniente de Kaggle, el cual fue sometido a un proceso de preprocesamiento que incluyó el escalado de variables y el balanceo de clases mediante la técnica SMOTE, con el propósito de mejorar el desempeño del modelo frente al desbalance de datos. Posteriormente, se entrenó un modelo de aprendizaje automático basado en Random Forest, el cual fue integrado en un backend desarrollado con Flask.

El sistema implementado dispone de una interfaz web que permite la interacción del usuario, el envío de transacciones para su análisis y la visualización de los resultados obtenidos. Asimismo, se incorporó una base de datos PostgreSQL para el almacenamiento del historial de predicciones y la gestión de la información del sistema.

Los resultados obtenidos evidencian un desempeño satisfactorio del modelo, reflejado en métricas como precisión, recall y AUC-ROC, las cuales respaldan su capacidad para clasificar transacciones legítimas y fraudulentas. Además, el sistema automatiza el proceso de detección de fraude mediante la integración del modelo de aprendizaje automático con la aplicación web.

En conclusión, el proyecto demuestra la viabilidad de integrar técnicas de aprendizaje automático dentro de una solución informática funcional para apoyar la detección de fraude en transacciones electrónicas, proporcionando una herramienta con potencial de aplicación en escenarios financieros.