André Luiz Galvão Guerra; Diogo Alfieri Palma

DOI: 10.22167/2675-6528-202600550

Artigo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

Resumo

Diante do volume crescente de transações financeiras que inviabiliza a revisão manual em auditorias, desenvolveu-se uma plataforma web para detecção de anomalias, empregando Isolation Forest e Autoencoder, duas técnicas de aprendizado de máquina não supervisionado aplicadas sequencialmente. O Isolation Forest removeu outliers extremos, e o Autoencoder ranqueou as transações restantes com base no erro de reconstrução. Foram criados 49 indicadores derivados, incluindo frequências temporais, médias móveis, somas acumuladas e z-scores, calculados sobre janelas deslizantes. A arquitetura separou backend (FastAPI), frontend (Next.js) e banco de dados PostgreSQL em contêineres Docker, com 30 endpoints REST. Para garantir a interpretabilidade aos auditores, o erro de reconstrução foi decomposto por coluna, e o GPT-4 gerou explicações em linguagem natural. Testes com um conjunto de 5.000 transações simuladas, contendo 4% de anomalias sintéticas injetadas, demonstraram que as transações anômalas ocuparam consistentemente as primeiras posições do ranking. A interface desenvolvida dispensou conhecimentos prévios em ciência de dados, tornando a ferramenta acessível a profissionais de auditoria. A plataforma alcançou seu objetivo, integrando aprendizado de máquina não supervisionado a uma interface amigável, e a explicabilidade do modelo reduziu o obstáculo da “caixa-preta” em auditorias automatizadas.

Palavras-chave: Arquitetura de software; Auditoria automatizada; Autoencoder; Explicabilidade; Isolation Forest.

1. Introdução

Instituições de todos os portes e áreas de atuação processam volumes de transações financeiras que, há duas décadas, seriam consideradas impensáveis. Este crescimento acelerado impõe um desafio significativo às auditorias financeiras: como assegurar que a vasta quantidade de movimentações esteja em conformidade com as normas vigentes e garantir a segurança adequada dos ativos organizacionais? A revisão manual, tradicionalmente baseada em amostragem e checagem, tornou-se impraticável diante da escala atual das operações (Ngai et al., 2011).

A relevância do tema é acentuada pelo impacto financeiro das fraudes. O relatório da Association of Certified Fraud Examiners (ACFE, 2024) indica que as organizações perdem cerca de cinco por cento de suas receitas anuais devido a fraudes, com uma perda média de 150.000 dólares por incidente. Além disso, normas e regulamentações como a Lei Sarbanes-Oxley (SOX), a Lei Anticorrupção brasileira (Lei nº 12.846/2013) e as Normas Brasileiras de Contabilidade (NBC TA 240) estabelecem exigências rigorosas de acompanhamento e controle, sublinhando a necessidade de mecanismos eficazes de detecção.

Nesse cenário, a detecção de anomalias em dados financeiros emerge como um campo crucial na ciência de dados e no aprendizado de máquina, com aplicações que abrangem desde a identificação de fraudes até o monitoramento regulatório (Chandola et al., 2009). O aprendizado de máquina não supervisionado, em particular, ganha destaque por não exigir dados rotulados, uma vantagem significativa, visto que fraudes confirmadas são eventos raros e, portanto, difíceis de obter como amostras de treinamento (Hilal et al., 2022).

Duas técnicas de aprendizado de máquina não supervisionado mostram-se particularmente eficazes para este tipo de problema: o Isolation Forest e o Autoencoder. O Isolation Forest (Liu et al., 2012) opera por particionamento recursivo, isolando anomalias com poucas divisões em uma estrutura de árvore, pois elas se distinguem rapidamente dos registros normais. Já os Autoencoders aprendem uma representação compacta dos dados considerados normais e identificam anomalias por meio de um erro de reconstrução maior do que o esperado. A combinação sequencial dessas duas técnicas tende a otimizar a detecção de padrões anômalos.

Apesar da eficácia dessas técnicas, existe uma lacuna prática significativa. Profissionais de auditoria geralmente possuem formação em contabilidade, administração ou economia, com pouca ou nenhuma familiaridade com ciência de dados, programação ou métricas estatísticas (Earley, 2015). As ferramentas de aprendizado de máquina e análise estatística disponíveis no mercado frequentemente exigem conhecimentos técnicos que restringem seu uso a especialistas em dados, dificultando a integração dessas soluções no fluxo de trabalho dos auditores.

Para superar essa barreira, os grandes modelos de linguagem (LLMs), como o GPT-4 (OpenAI, 2023), oferecem uma solução promissora ao gerar explicações automáticas detalhadas em linguagem natural, tornando os resultados dos modelos de detecção compreensíveis para usuários não técnicos (Arrieta et al., 2020). Paralelamente, avanços na engenharia de software, incluindo o uso de contêineres, APIs RESTful e frameworks modernos, tornaram viável a construção de plataformas web que colocam modelos complexos ao alcance de um público mais amplo (Bass et al., 2021), permitindo que os auditores utilizem essas tecnologias sem a necessidade de conhecimentos prévios em ciência de dados.

Diante da crescente complexidade das transações financeiras e da necessidade de ferramentas de auditoria mais eficientes e acessíveis, justifica-se o desenvolvimento de uma solução que integre o poder do aprendizado de máquina com uma interface intuitiva e explicável. Este trabalho teve como objetivo desenvolver uma plataforma web para detecção de anomalias em transações financeiras, combinando técnicas de aprendizado de máquina não supervisionado com um módulo de explicabilidade e uma interface amigável para auditores.

2. Material e Métodos

A pesquisa foi de natureza aplicada e abordagem exploratória, focada no desenvolvimento e avaliação de um artefato tecnológico: uma plataforma web para detecção assistida de anomalias em transações financeiras. O objetivo foi integrar técnicas de aprendizado de máquina não supervisionado com uma interface acessível a auditores sem formação prévia em ciência de dados.

Os experimentos utilizaram um conjunto de 5.000 transações financeiras simuladas, geradas por um script Python (`generate_demo_data.py`). Essa simulação permitiu controle preciso sobre a injeção de aproximadamente 4% de anomalias (200 registros) distribuídas em seis tipos, facilitando a avaliação objetiva do processamento. O conjunto de dados continha oito colunas, como `data`, `valor`, `fornecedor` e `categoria`. Por serem dados inteiramente simulados e sem vínculo com pessoas reais, o trabalho foi dispensado de avaliação por comitês de ética em pesquisa, conforme a Resolução CNS nº 510/2016.

O fluxo de processamento dos dados foi estruturado em quatro etapas: engenharia de atributos, pré-processamento, filtragem de valores extremos e ranqueamento. Na engenharia de atributos, 49 indicadores foram calculados a partir das colunas originais, organizados em categorias de frequência, média móvel, soma acumulada e z-score, todos sobre janelas deslizantes de 1, 7, 14 e 30 dias (Zheng e Casari, 2018). Esses atributos visaram capturar padrões temporais e relacionais não evidentes nas colunas brutas, transformando dados em representações mais informativas.

O pré-processamento converteu colunas originais e indicadores derivados em representações numéricas. Datas foram codificadas ciclicamente em sete dimensões (seno e cosseno para dia do mês, dia da semana e mês), com normalização linear do ano. Colunas categóricas receberam “Label Encoding” normalizado para [0, 1], tratando valores ausentes como `_MISSING_`. Colunas numéricas tiveram coerção de tipo e preenchimento de faltantes pela mediana. Todos os atributos foram normalizados com “RobustScaler” (scikit-learn), conferindo resistência a valores extremos.

O primeiro estágio utilizou o Isolation Forest (Liu et al., 2012) para filtrar outliers extremos, configurado com taxa de contaminação de 0,02 (2%), 100 árvores e semente fixa (random_state=42). Aproximadamente 98% das transações foram consideradas normais e usadas para treinar o Autoencoder no segundo estágio. O Autoencoder, uma rede neural, comprimiu a entrada e a reconstruiu, com arquitetura de encoder (128->64->32 neurônios) e decoder simétrico (64->128->N). Camadas ocultas usaram ReLU, Batch Normalization e Dropout de 0,1, com saída linear, implementado via TensorFlow/Keras.

O treinamento do Autoencoder empregou o erro quadrático médio (MSE) como função de perda e o otimizador Adam, com 50 épocas máximas e parada antecipada. Após o treinamento, o erro de reconstrução foi calculado para todas as transações, e o ranking final foi estabelecido em ordem descendente do erro total. Para a explicabilidade, o erro de reconstrução foi decomposto por coluna, e o GPT-4 (OpenAI, 2023) gerou explicações automáticas em linguagem natural via API, traduzindo os achados técnicos em termos acessíveis para auditores e sugerindo níveis de atenção.

A plataforma web foi construída com uma arquitetura de software baseada em três serviços orquestrados pelo Docker Compose 3.8: um frontend em Next.js 14 com TypeScript 5.0+, um backend em FastAPI (Python 3.11) e um banco de dados PostgreSQL 15. Essa separação de responsabilidades visou a modularidade e manutenibilidade (Bass et al., 2021). O backend expôs 30 endpoints REST, seguindo convenções e gerando documentação interativa via OpenAPI. O modelo de dados do PostgreSQL, com nove tabelas de domínio, garantiu integridade referencial e suportou o padrão “multi-tenancy” para isolamento de dados entre organizações.

A infraestrutura utilizou Docker Compose para orquestração, com “health check” para o PostgreSQL e um Dockerfile multi-estágio para o frontend. As configurações foram gerenciadas por variáveis de ambiente via Pydantic Settings, e a persistência dos dados do PostgreSQL foi assegurada por volumes Docker nomeados. Os testes foram realizados com `pytest` e `pytest-asyncio`, empregando SQLite em memória para isolamento do banco de dados durante as execuções, com foco em testes de integração dos endpoints para validação dos fluxos de autenticação, filtragem e exportação de resultados.

3. Resultados e Discussão

O desenvolvimento da plataforma web para detecção de anomalias em transações financeiras resultou em um sistema robusto e funcional, que integra o poder do aprendizado de máquina não supervisionado com uma interface intuitiva e explicável, tornando-o acessível a profissionais de auditoria sem formação prévia em ciência de dados. A solução foi concebida para enfrentar o desafio do volume crescente de transações, que inviabiliza a revisão manual tradicional, oferecendo um mecanismo eficiente para identificar padrões incomuns e potenciais fraudes, conforme a necessidade de ferramentas mais sofisticadas no cenário atual de auditoria (Ngai et al., 2011).

A arquitetura do sistema, baseada em três serviços gerenciados pelo Docker Compose, demonstrou ser eficaz na prática. O backend, implementado em Python com FastAPI, expõe 30 endpoints REST e gerencia a lógica de negócio, incluindo o pipeline de aprendizado de máquina e a comunicação com a API da OpenAI. O frontend, desenvolvido em Next.js 14 com TypeScript, oferece a interface ao usuário, enquanto o banco de dados PostgreSQL 15 persiste as informações. Essa separação de responsabilidades em contêineres independentes otimiza a manutenibilidade e a escalabilidade do sistema (Bass et al., 2021), permitindo que cada componente seja desenvolvido, testado e implantado de forma autônoma.

O fluxo de uso da plataforma foi projetado para ser intuitivo, abrangendo seis etapas principais. Inicialmente, o auditor realiza a autenticação via JWT e seleciona ou cria um projeto. Em seguida, é possível fazer o upload de arquivos CSV ou Excel contendo as transações financeiras e, interativamente, mapear as colunas de acordo com seus tipos (data, valor, categórico, texto ou ignorar). Após o mapeamento, o pipeline de aprendizado de máquina é executado automaticamente, e os resultados são apresentados em uma interface de ranqueamento, onde as transações anômalas são destacadas para análise.

Internamente, o backend segue um modelo de camadas bem definido, com rotas FastAPI que validam as requisições HTTP, uma camada de serviços que orquestra o fluxo de aprendizado de máquina e a comunicação com a OpenAI, e uma camada de persistência baseada em SQLAlchemy para acesso ao banco de dados. Essa estrutura, aliada à injeção de dependências, garante responsabilidades claras para cada módulo, facilitando a manutenção e a evolução do sistema (Sommerville, 2015). O frontend, por sua vez, utiliza o App Router para organizar as rotas em contextos distintos (público e privado) e componentes visuais baseados no framework shadcn/ui, com comunicação tipada via TypeScript para evitar erros de compilação.

A segurança e o controle de acesso foram implementados com rigor. A autenticação utiliza JSON Web Tokens (JWT) com algoritmo HS256 e senhas armazenadas com hash bcrypt, protegendo as credenciais mesmo em caso de acesso direto ao banco. O controle de acesso baseado em papéis (RBAC) permite que administradores gerenciem usuários e visualizem todos os projetos, enquanto auditores acessam apenas os projetos a eles atribuídos, com filtragem aplicada diretamente nas consultas ao banco. O isolamento entre organizações é garantido pelo campo `tenant_id`, prevenindo o acesso indevido a dados de outros clientes, e a comunicação entre frontend e backend é protegida por Cross-Origin Resource Sharing (CORS) configurável.

A infraestrutura e implantação da plataforma foram otimizadas para eficiência e reprodutibilidade. O Docker Compose orquestra os serviços, com o PostgreSQL incluindo um “health check” para garantir que o backend só inicie após a disponibilidade do banco. O frontend utiliza um “build” multi-estágio no Dockerfile, reduzindo o tamanho da imagem final ao descartar pacotes de compilação. Todas as configurações sensíveis, como credenciais de banco e chaves de API, são carregadas via variáveis de ambiente gerenciadas pelo Pydantic Settings, e os dados do PostgreSQL são persistidos em volumes Docker nomeados, assegurando sua sobrevivência a reinicializações dos contêineres.

O fluxo de aprendizado de máquina emprega uma abordagem em dois estágios para a detecção de anomalias. A lógica central reside na remoção de valores extremos antes do treinamento do Autoencoder, permitindo que este aprenda padrões genuinamente normais com maior precisão. Mesmo que algumas anomalias possam passar pelo primeiro filtro, a estratégia anula muitos valores extremos que poderiam distorcer os dados de treino, otimizando a capacidade do modelo de identificar desvios sutis. Este processo sequencial é crucial para a eficácia do sistema, conforme demonstrado pelos resultados.

A engenharia de atributos foi uma etapa fundamental, com a criação de 49 indicadores derivados a partir das colunas originais do conjunto de dados. Esses indicadores foram categorizados em frequência, média móvel, soma acumulada e z-score, calculados sobre janelas deslizantes. A criação desses atributos visa transformar dados brutos em representações mais informativas, melhorando o desempenho dos modelos ao capturar padrões temporais e relacionais que as colunas originais não revelam (Zheng e Casari, 2018). A implementação otimizada, utilizando busca binária e acumulação prévia, permitiu o cálculo dos 49 indicadores para 5.000 transações em aproximadamente 17 segundos, demonstrando a viabilidade da abordagem.

O pré-processamento dos dados envolveu a conversão de colunas originais e indicadores derivados em representações numéricas adequadas para os modelos de aprendizado de máquina. Datas foram submetidas a codificação cíclica em sete dimensões (seno e cosseno para dia do mês, dia da semana e mês), garantindo que períodos como dezembro e janeiro fossem representados como próximos no espaço. Colunas categóricas receberam “Label Encoding” normalizado, com valores ausentes tratados como `_MISSING_`. Colunas numéricas tiveram coerção de tipo e preenchimento de valores faltantes com a mediana. Finalmente, todos os atributos foram normalizados com `RobustScaler`, que utiliza mediana e intervalo interquartil, conferindo resistência a valores extremos e sendo particularmente útil em conjuntos de dados com anomalias intencionais.

No primeiro estágio do fluxo de detecção, o Isolation Forest (Liu et al., 2012) foi aplicado para filtrar outliers extremos. O princípio subjacente é que anomalias são isoladas com poucas divisões em uma estrutura de árvore, enquanto observações normais exigem mais divisões para serem separadas eficientemente. A configuração utilizada incluiu uma taxa de contaminação de 0,02 (2%), 100 árvores e uma semente fixa. Essa taxa de contaminação, intencionalmente inferior aos 4% de anomalias reais injetadas, visou remover apenas os outliers mais extremos, preservando a diversidade necessária para o Autoencoder aprender padrões normais de forma mais eficaz. Aproximadamente 100 transações foram removidas do conjunto de treinamento por este filtro.

O segundo estágio envolveu o Autoencoder, uma rede neural que comprime a entrada para uma representação menor e tenta reconstruí-la. A lógica é que o modelo, treinado com dados considerados normais (as 4.900 transações restantes após o filtro do Isolation Forest), apresentará um erro de reconstrução significativamente maior ao processar observações anômalas, cujos padrões nunca foram vistos. A arquitetura do Autoencoder consistiu em um encoder com três camadas densas (128, 64 e 32 neurônios) e um decoder simétrico (64, 128 e N, onde N é a dimensão de entrada), utilizando ReLU, Batch Normalization e Dropout de 0,1 nas camadas ocultas e saída linear. O gargalo de 32 dimensões forçou a rede a aprender uma representação compacta dos padrões normais, e o treinamento convergiu nas primeiras dezenas de épocas devido ao uso de parada precoce.

O erro de reconstrução, calculado para todas as 5.000 transações (incluindo as filtradas pelo Isolation Forest), apresentou uma distribuição com cauda longa à direita, indicando que transações normais resultaram em erros baixos, enquanto as anômalas acumularam erros significativamente mais altos. A combinação dos dois estágios mostrou-se complementar: o Isolation Forest capturou anomalias de magnitude extrema, os “outliers” multivariados mais grosseiros, enquanto o Autoencoder foi capaz de identificar padrões mais sutis, como combinações incomuns de categoria com departamento e frequências temporais atípicas. Esses padrões mais complexos poderiam ter passado despercebidos se apenas uma das técnicas fosse utilizada.

A análise da efetividade da detecção de anomalias concentrou-se em verificar a concentração das anomalias conhecidas (injetadas propositalmente) nas primeiras posições do ranking. Considerando as 300 primeiras posições (os 6% mais anômalos do conjunto de dados), observou-se que as anomalias dos tipos “Departamento-categoria incompatível” e “Valor fora da faixa normal” consistentemente ocuparam o topo do ranking. O primeiro tipo gerou desvios em múltiplos atributos categóricos, como uma transação de Obras e Reformas atribuída ao departamento de Recursos Humanos, impactando a codificação categórica e os indicadores de frequência e média daquela combinação.

Anomalias do tipo “Valor fora da faixa normal” foram particularmente fáceis de detectar, gerando z-scores acima de 4,0 para pagamentos significativamente discrepantes, como um valor de R$ 85.000,00 em uma categoria cujo máximo esperado era R$ 3.500,00. Na decomposição do erro, colunas relacionadas ao valor (zscore_valor_global, zscore_valor_categoria, media_valor_*) contribuíram com mais de 70% do erro total. Por outro lado, o tipo “Fracionamento/valores redondos” foi o mais desafiador, pois cada transação individual parecia normal. No entanto, os indicadores de frequência diária e soma diária foram cruciais para flagrar múltiplas transações similares do mesmo fornecedor no mesmo dia, evidenciando a importância da engenharia de atributos para a detecção de anomalias contextuais.

O módulo de explicabilidade foi um requisito central do projeto, transformando as saídas numéricas do fluxo de processamento em informação compreensível para o auditor. A decomposição do erro de reconstrução por coluna permitiu identificar quais atributos mais contribuíram para a classificação de uma transação como anômala. Essa informação, juntamente com os dados originais da transação, sua posição no ranking e os indicadores mais relevantes, foi enviada ao GPT-4 (OpenAI, 2023) via API, que gerou explicações detalhadas em linguagem natural, sem jargão técnico, indicando o desvio do padrão e sugerindo um nível de atenção (Baixo, Médio ou Alto).

Um exemplo prático da explicabilidade foi observado em uma transação de alto valor paga em dinheiro (tipo 3). O sistema decompôs o erro, indicando que o sinal “Valor Base” tinha força ALTA (62%), “Desvio Estatístico” MÉDIA (21%) e “Frequência” BAIXA (8%). A explicação gerada pelo GPT-4 detalhou que o pagamento de R$ 47.500,00 em dinheiro destoava das práticas habituais para essa faixa de valor, onde transferências bancárias ou boletos são mais frequentes, e que o valor estava acima da média histórica para a categoria, recomendando verificação da documentação e aprovação hierárquica com nível de atenção “Alto”. Esse processo permite ao auditor inspecionar transações suspeitas e classificá-las como procedentes ou improcedentes, registrando sua decisão.

As contribuições de engenharia de software foram significativas, demonstrando a viabilidade de integrar componentes de aprendizado de máquina em uma plataforma web funcional com padrões modernos de desenvolvimento. A arquitetura em camadas, a injeção de dependências, a API assíncrona do FastAPI e a conteinerização com Docker formaram uma infraestrutura robusta, permitindo que o pipeline de processamento operasse em um contexto real de uso, não apenas em um ambiente de experimentação. A API assíncrona, por exemplo, mostrou-se eficiente ao permitir que o processamento do fluxo, que leva dezenas de segundos, não bloqueasse outras requisições, possibilitando que múltiplos auditores utilizassem o sistema simultaneamente sem degradação perceptível.

É importante reconhecer as limitações do estudo. Os experimentos foram conduzidos com dados simulados, o que permitiu controle preciso sobre as anomalias, mas não reproduz a complexidade e o ruído dos dados reais. Os hiperparâmetros, como a taxa de contaminação e a arquitetura do Autoencoder, foram definidos por experimentação e não por otimização automatizada. O volume de transações utilizado (5.000) é baixo em comparação com operações financeiras comuns, e a plataforma pode apresentar problemas de performance ao processar grandes quantidades de entidades com alta cardinalidade. Além disso, a cobertura de testes automatizados ainda é parcial, restrita aos endpoints da API, e a explicabilidade via LLM depende de um serviço externo (API da OpenAI), o que introduz latência e menor controle pela aplicação.

Em síntese, o trabalho alcançou seu objetivo principal ao desenvolver uma plataforma web funcional que integra aprendizado de máquina não supervisionado com uma interface amigável para auditores. O fluxo de detecção em dois estágios, combinando Isolation Forest e Autoencoder, demonstrou-se eficaz em ranquear transações anômalas nas primeiras posições, e a engenharia de 49 indicadores derivados foi crucial para capturar padrões complexos. A explicabilidade do modelo, através da decomposição do erro por coluna e da geração de explicações em linguagem natural via GPT-4, foi um diferencial que reduziu o obstáculo da “caixa-preta”, tornando a ferramenta compreensível e utilizável por profissionais de auditoria.

4. Conclusão

O presente trabalho teve como objetivo desenvolver uma plataforma web para detecção de anomalias em transações financeiras, integrando aprendizado de máquina não supervisionado com um módulo de explicabilidade e uma interface amigável para auditores. Verificou-se que a arquitetura do sistema, composta por backend em FastAPI, frontend em Next.js e banco de dados PostgreSQL, todos conteinerizados com Docker, demonstrou robustez e funcionalidade. O fluxo de detecção de anomalias empregou uma abordagem em dois estágios, onde o Isolation Forest removeu outliers extremos e o Autoencoder ranqueou as transações restantes com base no erro de reconstrução. A engenharia de 49 indicadores derivados, incluindo frequências temporais, médias móveis, somas acumuladas e z-scores, calculados sobre janelas deslizantes, mostrou-se crucial para capturar padrões complexos e contextuais que as colunas originais não revelavam. Testes com um conjunto de 5.000 transações simuladas, contendo 4% de anomalias sintéticas, evidenciaram que as transações anômalas ocuparam consistentemente as primeiras posições do ranking. A principal contribuição do estudo reside na criação de uma ferramenta acessível que dispensa conhecimentos prévios em ciência de dados, tornando a detecção avançada de anomalias uma realidade prática para profissionais de auditoria. A explicabilidade do modelo, alcançada pela decomposição do erro de reconstrução por coluna e pela geração de explicações em linguagem natural via GPT-4, reduziu significativamente o obstáculo da “caixa-preta” em auditorias automatizadas, permitindo que os auditores compreendam e atuem sobre os resultados.

Contudo, é importante reconhecer as limitações inerentes ao estudo. Os experimentos foram realizados com dados simulados, o que, embora tenha permitido controle preciso sobre as anomalias, não reproduz a complexidade e o ruído dos dados reais. Os hiperparâmetros dos modelos foram definidos por experimentação e não por otimização automatizada, e o volume de 5.000 transações é relativamente baixo para operações financeiras típicas, podendo a plataforma apresentar desafios de performance com grandes volumes e alta cardinalidade. Além disso, a cobertura de testes automatizados ainda é parcial, focada nos endpoints da API, e a dependência de um serviço externo como a API da OpenAI para a explicabilidade introduz latência e menor controle. Para estudos futuros, sugere-se a validação do sistema com dados reais de organizações parceiras, a incorporação de modelos como Variational Autoencoders e mecanismos de active learning, a otimização automatizada de hiperparâmetros, e a ampliação da cobertura de testes automatizados, incluindo testes unitários para os serviços de aprendizado de máquina e testes de carga, além da implementação de CI/CD e monitoramento em produção.

Referências Bibliográficas

Arrieta, A.B.; Díaz-Rodríguez, N.; Del Ser, J.; Bennetot, A.; Tabik, S.; Barbado, A.; García, S.; Gil-López, S.; Molina, D.; Benjamins, R.; Chatila, R.; Herrera, F. 2020. Explainable artificial intelligence (XAI): concepts, taxonomies, opportunities and challenges toward responsible Al. Information Fusion 58: 82-115.

Association of Certified Fraud Examiners [ACFE]. 2024. Occupational Fraud 2024: A Report to the Nations. ACFE, Austin, TX, USA.

Bass, L.; Clements, P.; Kazman, R. 2021. Software Architecture in Practice. 4th ed. Addison-Wesley, Boston, MA, USA.

Chandola, V.; Banerjee, A.; Kumar, V. 2009. Anomaly detection: a survey. ACM Computing Surveys 41(3): 1-58.

Earley, C.E. 2015. Data analytics in auditing: opportunities and challenges. Business Horizons 58(5): 493-500.

Hilal, W.; Gadsden, S.A.; Yawney, J. 2022. Financial fraud: a review of anomaly detection techniques and recent advances. Expert Systems with Applications 193: 116429.

Liu, F.T.; Ting, K.M.; Zhou, Z.-H. 2012. Isolation-based anomaly detection. ACM Transactions on Knowledge Discovery from Data 6(3): 1-39.

Ngai, E.W.T.; Hu, Y.; Wong, Y.H.; Chen, Y.; Sun, X. 2011. The application of data mining techniques in financial fraud detection: a classification framework and an academic review of literature. Decision Support Systems 50(3): 559-569.

OpenAI. 2023. GPT-4 technical report. Disponível em: <https://arxiv.org/abs/2303.08774>. Acesso em: 15 fev. 2025.

Sommerville, I. 2015. Software Engineering. 10th ed. Pearson Education, Harlow, UK.

Zheng, A.; Casari, A. 2018. Feature Engineering for Machine Learning: Principles and Techniques for Data Scientists. O’Reilly Media, Sebastopol, CA, USA.

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