USO DE LOS SISTEMAS INTELIGENTES PARA LA DETECCIÓN DE FRAUDES FINANCIEROS.
Resumen
En el mundo, los fraudes financieros han presentado un grave problema para las organizaciones, ocasionados en su mayoría, por falta de controles. A su vez, los avances tecnológicos han abierto puertas para llevar a cabo fraudes que son difíciles de detectar a tiempo. Es así, que a partir de la creación de núcleos de procesamiento tecnológico se ha podido detectar patrones que permiten alertas respecto a fraudes o acciones de nivel sospecho.
Por lo anterior, el objeto de este artículo es analizar estudios de casos de aprendizaje de máquina (Machine Learning) usados en fraudes financieros. Metodológicamente se inicia con una revisión en detalle del uso del aprendizaje automático en diferentes áreas, para luego analizar directamente la información en el área financiera. Se concluye afirmando que los sistemas inteligentes mejoran la efectividad en la detección de fraudes financieros.
Citas
Angulo, s. (17 de octubre de 2017). Herramienta de mastercad. Obtenido de https://www.enter.co/especiales/empresas/herramienta-mastercard-identifica-fraudes/
Berrendero, j. (13 de Febrero de 2015). hiperplano e de OSVM. Obtenido de Universidad autonoma de madrid: http://verso.mat.uam.es/~joser.berrendero/cursos/Matematicas-IO/io-tema6-svm-16.pdf
Caballero, L. (Julio de 2017). Detención de sucesos raros con Machine Leaning. Obtenido de file:///D:/Documents/Nueva%20carpeta/casas%20de%20justicia%20y%20juez%20de%20paz%20en%20equidad/tesis%20TFM_ANDER_CARRENO_LOPEZ.pdf
Calvo Valverde, L. A. (mayo de 2016). Estrategia basada en el aprendizaje de máquina para tratar con conjuntos de datos no etiquetados usando conjuntos aproximados y/o ganancia de información. Scielo, 4-15. Obtenido de https://www.scielo.sa.cr/pdf/tem/v29s2/0379-3982-tem-29-s2-4.pdf
Cardenas. (s,f). Modelos de Aprendizaje Supervisados: aplicaciones para la predicción de. Sedini, 1-5. Obtenido de http://sedici.unlp.edu.ar/bitstream/handle/10915/45467/Documento_completo.pdf?sequence=1&isAllowed=y
Coello, C. C. (2010). Uso de T閏nicas de Inteligencia Artificial Para Aplicaciones Financieras. 1-7.
Coltefinanciera. (17 de 12 de 2014). Educación financiera. Obtenido de https://www.coltefinanciera.com.co/educacion-financiera/fraudes-bancarios/398-modalidades-de-fraudes-bancarios-en-internet
Fuentes, A. (2 de Mayo de 2018). Tipos de aprendizaje automatico. Obtenido de Aprendizaje supervisado y no supervisado: http://machinelearningparatodos.com/tipos-de-aprendizaje-automatico/
Gonzalez, E., Romero, G., & Ortiz, A. (12 de junio de 2018). Detección de Fraude en Tarjetas de Crédito. Obtenido de Universidad santo tomas: https://repository.usta.edu.co/bitstream/handle/11634/12529/2018edwingonzalez.pdf?sequence=1&isAllowed=y
Jeragh, M., & AlSulaimi, M. (2008). Combinación de codificadores automáticos y una máquina devectores de soporte de clase para la detección de transaccionesfraudulentas de tarjetas de crédito. UNAB, 1-14.
Kumar, P., & Iqbal, F. (2017). Identificación de fraude con tarjeta de crédito utilizando enfoques de aprendizaje automático. UNAB, 1-9.
Montero. (12 de junio de 2016). Detección de fraude bancario en tiempo real utilizando tecnologías de procesamiento distribuido. Obtenido de https://eprints.ucm.es/38647/1/Memoria%20TFM%20Detecci%C3%B3n%20Fraude_FINAL.pdf
Morales, C. (2018). Modelo de Detección de Intrusos Usando Técnicas De Aprendizaje. 1-31. Obtenido de http://190.217.58.250/bitstream/tda/442/1/MODELO%20DE%20DETECCION%20DE%20INTRUSOS%20USANDO%20TECNICAS%20DE%20APRENDIZAJE.pdf
Murillo, J. V. (2008). Auditando En Las Bases de Datos. Uniciencia 22, 135-140. Obtenido de file:///D:/Downloads/Dialnet-AuditandoEnLasBasesDeDatos-5381374.pdf
Navarro, U., & García, C. (2017). Machine Learning Classifiers to Detect Malicious. researchgate, 1-4. doi:https://www.researchgate.net/profile/Christian_Urcuqui_Lopez/publication/320290759_Machine_Learning_Classifiers_to_Detect_Malicious_Websites/links/59e18b01458515393d53562e/Machine-Learning-Classifiers-to-Detect-Malicious-Websites.pdf
Nur-E-Arefin. (2010). Aplicacion de Inteligencia Computacional Para Identificar Fraudes con Tarjetas de Credito. Universidad Autonoma de Bucaramanga, 1-10.
Obregon, N., & Fragala, F. (2012). Sistemas inteligentes, ingenieria e hidroinformatica. Ciencia e ingenieria Neogranadina, 71-79.
Parada, M. A. (2012). Utilización de metodologías de Inteligencia Artificial y sus aplicaciones en El Salvador. ING-NOVACIÓN, 57-68. Obtenido de http://201.131.110.78/jspui/bitstream/10972/1950/1/7.%20Utilizacion%20de%20metodologias%20de%20Inteligencia%20Artificial%20y%20sus%20aplicaciones%20en%20El%20Salvador.pdf
Perez, L. (2015). prevencion de fraudes a traves del uso de las tecnologias. http://repositorio.unan.edu.ni/9650/1/17534.pdf.
Predisoft. (14 de Octubre de 2018). Deteccion del fraude . Obtenido de Sistema para la prevencion del fraude en multiples canales : http://predisoft.com/psfraud-sistema-deteccion-fraudes-bancarios-y-otros-canales/
Rahul, K., Seth, N., & Kumar, U. D. (2018). Detección de manipulación de ganancias:uso del aprendizaje automático para ladetección de fraudes financieros. Springer Link, 5-29.
Sharmila; et al. (2010). Credit Card Fraud Detection Using Anomaly Techniques. UNAB, 1-14.
Universidad Central . (24 de Octubre de 2017). Deteccion de fraudes financieros . Obtenido de https://www.ucentral.edu.co/en/noticentral/fernando-bomba-finalista-convocatoria-datos-u
Weber, R. (2000). Data Mining en la Empresa y en las Finanzas Utilizando Tecnologías Inteligentes. Ingenieria de Sistemas, 61-78. Obtenido de https://s3.amazonaws.com/academia.edu.documents/30817710/Vol14.pdf?response-content-disposition=inline%3B%20filename%3DData_Mining_en_la_empresa_y_en_las_finan.pdf&X-Amz-Algorithm=AWS4-HMAC-SHA256&X-Amz-Credential=AKIAIWOWYYGZ2Y53UL3A%2F20190724%2Fus-east
