November 12, 2026
Avaliação de uma Arquitetura Backend Aplicada à Conversão Cambial e Detecção de Fraudes com Inteligência Artificial
Diogo Crizóstomo de Almeida; Orlando da Silva Junior
DOI: 10.22167/2675-6528-202604418
Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.
Resumo
O crescimento das transações financeiras digitais nas últimas décadas demandou mecanismos mais eficientes de validação e prevenção a fraudes, exigindo soluções tecnológicas escaláveis e integradas. Desenvolveu-se uma API RESTful para o gerenciamento de transações financeiras, a conversão cambial com base nas taxas oficiais do Departamento do Tesouro dos Estados Unidos e a análise automatizada de risco de fraude. A solução foi implementada em linguagem Java, utilizando o framework Spring Boot, estruturada em arquitetura em camadas e integrada a serviços externos para obtenção de dados cambiais e processamento inteligente de transações. O sistema foi dividido em módulos de cadastro e consulta de transações, conversão monetária automática e detecção de comportamentos suspeitos com classificação de risco. Testes funcionais demonstraram tempo médio de resposta inferior a 20 milissegundos para operações internas e entre 3 e 4 segundos para análises antifraude dependentes de processamento externo. Em um cenário simulado, uma transação de US$ 9.000,00 foi corretamente classificada como de alto risco por divergência significativa em relação ao histórico analisado. Os resultados indicaram a viabilidade técnica da solução para aplicações em fintechs, auditoria e sistemas corporativos, embora melhorias futuras possam incluir modelos de aprendizado de máquina supervisionados, cache distribuído e processamento assíncrono.
Palavras-chave: API RESTful; Conversão cambial; Detecção de fraudes; Engenharia de software; Spring Boot.
1. Introdução
O cenário financeiro global tem sido transformado pelo crescimento exponencial do comércio eletrônico, dos bancos digitais e dos meios de pagamento online. Nas últimas décadas, este avanço resultou em um aumento significativo no volume de transações financeiras processadas diariamente. Paralelamente, observa-se uma elevação nas tentativas de fraude, o que impulsiona a demanda por soluções tecnológicas mais rápidas, seguras e confiáveis, capazes de proteger operações financeiras e mitigar prejuízos. Neste contexto, sistemas de backend robustos assumem um papel crucial, sendo responsáveis pelo processamento de dados críticos, integração de serviços externos e aplicação de regras de negócio com estabilidade e segurança.
Um dos desafios centrais em operações financeiras modernas, além da prevenção a fraudes, reside na conversão de moedas e na necessidade de utilizar taxas cambiais atualizadas. Empresas envolvidas em pagamentos internacionais, importações, investimentos ou qualquer operação que envolva múltiplas moedas dependem de dados confiáveis para o cálculo preciso de valores. Consequentemente, a integração com fontes oficiais de câmbio tornou-se uma exigência prática para a maioria dos sistemas corporativos.
A Inteligência Artificial (IA) emerge como uma ferramenta promissora para abordar esses desafios. Pesquisas recentes indicam que a aplicação de IA em sistemas de detecção de fraude pode reduzir ocorrências em até cinquenta por cento, além de aprimorar a eficiência operacional de instituições financeiras (Olowu et al., 2024). A combinação de automação, análise de dados e regras de negócio tem se consolidado como uma estratégia relevante para o setor financeiro. A utilização de mecanismos inteligentes na análise de dados é apontada como um fator essencial para aprimorar decisões operacionais e identificar padrões incomuns (Russell e Norvig, 2021; Chen, Chiang e Storey, 2012).
Do ponto de vista da engenharia de software, a aplicação de conceitos robustos é fundamental para o desenvolvimento de soluções eficazes. A integração entre arquitetura backend, dados externos e mecanismos de análise automatizada é um exemplo de como a engenharia de software e a ciência de dados convergem em contextos práticos (Goodfellow et al., 2016). A adoção de princípios como Arquitetura Limpa, Test-Driven Development (TDD) e a separação de responsabilidades entre camadas, conforme recomendado por Martin (2020), contribui para a construção de sistemas escaláveis, de fácil manutenção e com baixo acoplamento, favorecendo sua evolução contínua.
Nesse cenário de crescente complexidade e demanda por soluções integradas, este trabalho justifica-se pela necessidade de uma arquitetura que combine de forma eficiente o gerenciamento de transações financeiras, a conversão cambial baseada em fontes oficiais e a detecção de comportamentos suspeitos. Diante desse contexto, o objetivo deste trabalho é desenvolver uma API RESTful para gerenciamento de transações financeiras, utilizando as taxas oficiais disponibilizadas pela API do Departamento do Tesouro Americano para conversão monetária, além de incorporar um módulo de análise de risco capaz de identificar comportamentos suspeitos em transações financeiras, apoiando processos internos de auditoria e prevenção a perdas.
2. Material e Métodos
O presente trabalho foi desenvolvido como uma pesquisa aplicada, com característica de estudo de caso. A metodologia adotada envolveu a criação e validação prática de um sistema backend. O objetivo principal foi construir uma solução funcional para o registro de operações financeiras, a consulta de taxas oficiais de câmbio e a identificação de comportamentos fora do padrão em transações simuladas.
O projeto experimental, denominado *treasurytransactionconverter*, foi desenvolvido pelo autor para integrar controle de transações, conversão monetária e prevenção de fraudes em uma única aplicação. O estudo foi conduzido em ambiente controlado, por meio da implementação do sistema, da execução de testes funcionais e da análise dos resultados obtidos. A metodologia combinou práticas de engenharia de software, integração com serviços externos e validação técnica da aplicação.
O trabalho foi estruturado em etapas que incluíram análise e modelagem de requisitos funcionais e não funcionais, como segurança e performance. Seguiu-se o desenvolvimento backend, com a implementação do módulo de Inteligência Artificial para análise contextual de transações suspeitas. Posteriormente, foram realizados testes e validações, documentação do sistema e, por fim, a análise dos resultados com base em métricas de desempenho.
A aplicação foi desenvolvida em Java 21, utilizando o framework Spring Boot 3 para a estrutura da API REST. Para persistência de dados, empregou-se Spring Data JPA e Hibernate, com H2 Database para testes locais. O gerenciamento de dependências foi feito com Maven, e a documentação automática dos endpoints via Swagger/OpenAPI. JUnit 5 e Mockito foram utilizados para testes automatizados, Docker para padronização do ambiente de execução e GitHub para versionamento do código. A arquitetura em camadas, com separação de responsabilidades, seguiu os princípios de Martin (2020) e Martin (2012), favorecendo a manutenção e evolução do software.
O fluxo da aplicação iniciava-se com o recebimento de requisições HTTP pelo controlador, que as encaminhava para a camada de serviço. Nesta camada, aplicavam-se as regras de negócio e, quando necessário, consultava-se a API do Departamento do Tesouro Americano para obter taxas cambiais oficiais. Os dados eram então persistidos no banco de dados, e uma resposta era retornada ao usuário. Transações que demandavam análise de fraude passavam por um módulo específico de avaliação de risco.
O módulo de análise de fraude foi projetado para identificar comportamentos atípicos em transações financeiras, considerando o valor da operação, a comparação com transações anteriores, a diferença em relação à média histórica e a ocorrência de valores elevados. As transações eram classificadas em níveis de risco (baixo, médio ou alto), com justificativa textual. Testes práticos e automatizados, utilizando JUnit 5, Spring Test e MockMvc, foram realizados para validar o funcionamento da solução em diversos cenários operacionais, incluindo cadastro, consulta, conversão monetária e análise de fraude. As execuções dos testes automatizados foram documentadas, demonstrando a aprovação dos cenários avaliados.
Para avaliar o desempenho, observaram-se indicadores técnicos como tempo médio de resposta das operações internas e do módulo antifraude, consistência dos dados e estabilidade da integração com serviços externos. As transações utilizadas nos testes foram simuladas exclusivamente para fins acadêmicos, sem uso de dados pessoais ou informações reais de terceiros. O estudo foi conduzido em ambiente controlado, preservando a privacidade e a segurança dos dados empregados na validação do sistema.
3. Resultados e Discussão
A aplicação desenvolvida foi submetida a uma série de testes funcionais e técnicos após a conclusão do seu desenvolvimento, com o propósito de verificar a estabilidade dos seus endpoints, a consistência das respostas fornecidas e o comportamento do módulo de análise de fraude em diversos cenários. Os resultados obtidos confirmaram que a solução atendeu plenamente à proposta inicial do estudo, que visava integrar o cadastro de transações, a conversão monetária e a classificação de risco em uma arquitetura backend unificada. Este alinhamento com o objetivo demonstra a viabilidade técnica da abordagem adotada para gerenciar operações financeiras complexas de forma integrada e eficiente.
Inicialmente, o módulo de persistência de dados foi validado com sucesso por meio do endpoint responsável pelo cadastro de transações financeiras. Durante os testes, o sistema processou corretamente as requisições do tipo POST, que incluíam a descrição da operação, a data e o valor monetário. Como evidência, uma transação com a descrição “Smart Watch Generation I”, datada de 2026-04-19 e com valor de 9000.00 dólares, foi cadastrada com sucesso, resultando em um código de status 201 Created e o retorno do identificador do registro criado. Este comportamento confirmou o funcionamento adequado da camada de controle, das regras de negócio e da comunicação com o banco de dados, elementos cruciais para a integridade do sistema.
Na sequência, foram realizados testes de consulta geral das transações previamente cadastradas. O endpoint de listagem retornou corretamente todos os registros persistidos, demonstrando a integridade das informações inseridas anteriormente e a consistência entre gravação e leitura dos dados. Este é um requisito fundamental para sistemas corporativos que dependem de um histórico confiável de operações financeiras, garantindo que os dados armazenados possam ser recuperados de forma precisa e completa para auditorias e outras análises. A capacidade de listar transações de forma precisa é vital para a transparência e o controle financeiro.
O sistema também incorporou um módulo de conversão monetária automática, que utiliza as taxas oficiais disponibilizadas pela API do Departamento do Tesouro Americano. Essa integração assegura que as conversões cambiais sejam realizadas com base em dados considerados referência oficial, um aspecto crítico para a precisão em operações financeiras internacionais. A funcionalidade de conversão foi validada como parte dos testes automatizados do sistema, confirmando sua capacidade de fornecer valores monetários atualizados e confiáveis, conforme a data informada na transação, o que é essencial para empresas com atividades em múltiplas moedas.
Em relação ao módulo de análise de fraude, sua funcionalidade foi testada em cenários distintos. O módulo foi projetado para identificar comportamentos atípicos em transações financeiras, considerando o valor da operação, a comparação com transações anteriores, a diferença em relação à média histórica e a ocorrência de valores significativamente elevados. A partir dessas análises, o sistema classifica cada transação em níveis de risco (baixo, médio ou alto) e fornece uma justificativa textual para auxiliar na interpretação do resultado, um recurso valioso para equipes de auditoria e compliance.
Um cenário de baixo risco foi avaliado com uma transação cujo valor era compatível com o conjunto de dados previamente armazenado. Nessa situação, o sistema classificou a operação como de baixo risco, sem indicar comportamento suspeito. A justificativa textual apresentada explicou que o valor informado não destoava significativamente do histórico disponível. Este resultado demonstrou a capacidade do modelo implementado em evitar sinalizações indevidas para operações que estão em conformidade com os padrões observados, otimizando o tempo e os recursos dos analistas ao focar nas anomalias reais.
Posteriormente, foi executado um teste com uma transação de valor significativamente superior ao histórico cadastrado, no montante de 9.000,00 dólares. Nesse cenário, o sistema classificou a operação como de alto risco. A justificativa textual indicou que o valor de 9000.00 dólares excedia significativamente a mediana de 200.00 dólares das transações anteriores, caracterizando um potencial outlier. A transação foi identificada como uma compra de alto valor para um item de consumo, levantando questões sobre a legitimidade da operação. Este resultado valida a lógica implementada para reconhecer operações fora do comportamento esperado, uma característica desejável em rotinas de auditoria preventiva e monitoramento interno, conforme a literatura sobre detecção de anomalias (Chen, Chiang e Storey, 2012).
Quanto ao desempenho da aplicação, observou-se que as operações internas de cadastro e consulta apresentaram um tempo médio de resposta inferior a 20 milissegundos em ambiente local. Este desempenho indica uma boa eficiência para rotinas comuns de leitura e escrita de dados, essenciais para a agilidade do sistema. Por outro lado, as análises antifraude, que envolvem processamento adicional e dependência de recursos externos, apresentaram um tempo médio de resposta entre 3 e 4 segundos. Embora mais longo, este tempo mostrou-se aceitável para cenários administrativos, validações internas e análises que não exigem processamento em tempo real estrito, como em auditorias periódicas.
Além dos testes funcionais externos, foram executados testes automatizados abrangentes utilizando JUnit 5, Spring Test e MockMvc. Os resultados desses testes internos indicaram aprovação total para todos os cenários definidos para os controladores avaliados, incluindo a verificação de respostas esperadas para operações válidas e o tratamento adequado de registros inexistentes. Esse conjunto de testes reforça a confiabilidade da solução e demonstra a adoção de práticas modernas de engenharia de software, como a separação de responsabilidades e o baixo acoplamento, conforme preconizado por Martin (2020), contribuindo para a robustez e a manutenibilidade do sistema.
Outro resultado relevante foi a disponibilização automática da documentação técnica da API por meio do Swagger/OpenAPI. A interface gerada permitiu uma visualização clara e organizada de todos os endpoints, métodos HTTP, parâmetros e estruturas de resposta da API. Este recurso facilita significativamente a manutenção futura do sistema e sua integração com outros sistemas, ampliando o valor prático da aplicação, especialmente em ambientes corporativos onde a documentação clara entre equipes técnicas é um fator crítico para a colaboração e o desenvolvimento contínuo.
De forma geral, os resultados demonstraram que a arquitetura proposta foi capaz de centralizar funcionalidades distintas em uma única solução coesa e eficaz. A combinação entre a persistência de dados, o consumo de uma fonte oficial de câmbio, a aplicação de testes automatizados e a análise de risco automatizada mostrou aderência às necessidades comuns de fintechs, áreas de compliance, auditoria e sistemas financeiros internos. A solução oferece um arcabouço robusto para o gerenciamento de transações, mitigando riscos e garantindo a precisão das operações monetárias, alinhando-se às demandas do mercado por segurança e eficiência (Olowu et al., 2024).
Contudo, algumas limitações foram observadas durante o estudo. Os testes foram conduzidos em um ambiente local e com uma base de dados reduzida, o que pode não representar integralmente cenários de alta concorrência ou grande volume transacional encontrados em ambientes de produção. Além disso, o módulo antifraude, que atualmente utiliza lógica contextual e comparativa, pode ser expandido futuramente com a incorporação de modelos supervisionados de aprendizado de máquina, treinados em bases históricas mais amplas, para aprimorar a precisão e a capacidade de detecção de fraudes mais sofisticadas. Melhorias futuras podem incluir também a implementação em ambiente de nuvem, uso de filas assíncronas e mecanismos de cache distribuído.
4. Conclusão
O presente estudo buscou desenvolver uma API RESTful para o gerenciamento de transações financeiras, integrando a conversão cambial com base em taxas oficiais e um módulo de análise de risco para identificar comportamentos suspeitos. Verificou-se a viabilidade técnica da solução, que permitiu o cadastro e a consulta de transações com eficiência, apresentando tempos de resposta inferiores a 20 milissegundos para operações internas. O módulo de conversão monetária automática operou conforme o esperado, utilizando as taxas oficiais do Departamento do Tesouro Americano. Adicionalmente, o sistema demonstrou capacidade de identificar anomalias, classificando corretamente uma transação de 9.000,00 dólares como de alto risco por divergência significativa em relação ao histórico analisado, em contraste com operações de baixo risco que se alinhavam ao padrão. A robustez da arquitetura foi confirmada por testes automatizados abrangentes e pela geração automática de documentação técnica via Swagger/OpenAPI, evidenciando a aplicação de boas práticas de engenharia de software e oferecendo um arcabouço técnico sólido para fintechs, auditoria e sistemas corporativos.
Contudo, o estudo apresentou limitações inerentes ao seu desenho, como a condução dos testes em ambiente local e com uma base de dados reduzida, o que pode não refletir integralmente cenários de alta concorrência ou grande volume transacional. O módulo antifraude, baseado em lógica contextual e comparativa, pode ser aprimorado. Para estudos futuros, sugere-se a incorporação de modelos supervisionados de aprendizado de máquina para aprimorar a precisão na detecção de fraudes, a implementação da solução em ambiente de nuvem, o uso de filas assíncronas para processamento de eventos e a aplicação de mecanismos de cache distribuído. A solução desenvolvida contribui com uma ferramenta replicável e moderna, compatível com as demandas atuais de integração, controle e segurança operacional no setor financeiro.
Referências Bibliográficas
CHEN, H.; CHIANG, R.; STOREY, V. Business Intelligence and Analytics: From Big Data to Big Impact. MIS Quarterly, 2012.
GOODFELLOW, lan; BENGIO, Yoshua; COURVILLE, Aaron. Deep Learning. Cambridge: MIT Press, 2016.
Martin, R. C. 2020. Arquitetura Limpa: O Guia do Artesão para Estrutura e Design de Software. Alta Books, Rio de Janeiro, RJ, Brasil.
Martin, R. C. 2020. The clean architecture. The Clean Code Blog, 2012. Disponível em: https://blog.cleancoder.com/uncle-bob/2012/08/13/the-clean-architecture.html. Acesso em: 18 abr. 2026.
OLOWU, Olawale et al. Al-driven fraud detection in banking: A systematic review of data science approaches to enhancing cybersecurity. 2024. Disponível em: https://www.researchgate.net/publication/386276951. Acesso em: 13 abr. 2026.
RUSSELL, Stuart; NORVIG, Peter. Artificial Intelligence: A Modern Approach. 4. ed. Pearson, 2021.
Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Engenharia de Software do MBA USP/Esalq
Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy