Fraude eletrônica
{
“evento”: “Fórum de Segurança da Informação da FADERGS”,
“data” : “24/11/2015”,
“autor” : “Jonathan Ba...
A Fraude é uma falha no sistema. Onde permite
que usuários autorizados ou não executem ações
que irão causar dano ou preju...
Fraude é adversa
Disciplinas como
otimização para
ferramentas de
busca tem
competidores de
acordo com
regras…
...prevenção...
Padrões de Fraudes mudam rapidamente
Regras geradas por
humanos não evoluem
rápido suficiente
Cada barra é um dia
Esta é $...
Fraude é de cauda-longa
Soma dos casos menores é mais danosa que
os casos maiores
país
varejo
emissor
cartão
Enxugar o gelo
Como combater?
Sistemas inteligentes
“Sistemas inteligentes (machine learning) que aprendem
automaticamente, preveem e agem usando dados”...
Exemplos de Machine Learning
As regras da estrada não funcionam aqui.
Exemplos de Machine Learning
Minhas compras fazem o
sistema aprender.
Meu feedback ensina
o sistema a se aprimorar
e evolu...
Exemplos de Machine Learning
Marcar os casos ensina o
sistema a melhorar e evoluir
Compras anteriores fazem o
sistema apre...
O que você precisa
Infraestrutura
Storage
Memória
Processadores
Largura de banda
Time
Cientistas de dados
Engenheiros
Anal...
Tesla ADS
Bancária
Expor a fraude antes
resulta em reais economias
financeiras. Ao mesmo
tempo, uma taixas pobres
de detecção e alto...
Demos
Previsão
Decisões guiadas por dados a baixo custo levam a um
novo tipo de gerenciamento, futuros líderes irão fazer
as per...
Obrigado
{
“evento”: “Fórum de Segurança da Informação da FADERGS”,
“data” : “24/11/2015”,
“hora” : “19h”,
“autor” : “Jona...
Fraude eletronica
Próximos SlideShares
Carregando em…5
×

Fraude eletronica

235 visualizações

Publicada em

Conteúdo da palestra realizada dia 24/11 na Fadergs sobre Fraude Eletrônica.

Publicada em: Economia e finanças
0 comentários
0 gostaram
Estatísticas
Notas
  • Seja o primeiro a comentar

  • Seja a primeira pessoa a gostar disto

Sem downloads
Visualizações
Visualizações totais
235
No SlideShare
0
A partir de incorporações
0
Número de incorporações
4
Ações
Compartilhamentos
0
Downloads
1
Comentários
0
Gostaram
0
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide
  • Exemplo de como está fácil conseguir dados públicos das pessoas:
    Cpf, endereço, telefone, tudo que precisa para poder predir crédito.

    Amigos que trabalham em bancos e agências falaram que diariamente diversos documentos passam por suas mãos, tornando-se fácil copiar a informação.

    Temos um volume muito grande de informações para analisar e com variações que podem ser grandes ou pequenas, e que se alteram rapidamente.

    Hoje é possível ir na rua 25 em SP e comprar um DVD com informações copiadas da Receita Federal com todos os dados dos indivíduos.

    A verdade é que seus dados estão na rua, e disponíveis para pessoas mal-intencionadas, não é uma questão apenas individual de proteção, pois existem sistemas que estão além do nosso controle.

  • Fraude eletronica

    1. 1. Fraude eletrônica { “evento”: “Fórum de Segurança da Informação da FADERGS”, “data” : “24/11/2015”, “autor” : “Jonathan Baraldi”, “email” : “jonathan@tesla-ads.com” }
    2. 2. A Fraude é uma falha no sistema. Onde permite que usuários autorizados ou não executem ações que irão causar dano ou prejudicar de alguma maneira outros usuários ou o próprio sistema. Esses sistemas que pode ser qualquer indústria, desde a bancária até a de convênios de saúde. Fraude
    3. 3. Fraude é adversa Disciplinas como otimização para ferramentas de busca tem competidores de acordo com regras… ...prevenção de fraude tem adversários hostis propositalmente quebrando as regras
    4. 4. Padrões de Fraudes mudam rapidamente Regras geradas por humanos não evoluem rápido suficiente Cada barra é um dia Esta é $691,000
    5. 5. Fraude é de cauda-longa Soma dos casos menores é mais danosa que os casos maiores país varejo emissor cartão
    6. 6. Enxugar o gelo
    7. 7. Como combater?
    8. 8. Sistemas inteligentes “Sistemas inteligentes (machine learning) que aprendem automaticamente, preveem e agem usando dados” APRENDER PREVEEM AGEM “sem regras predefinidas"
    9. 9. Exemplos de Machine Learning As regras da estrada não funcionam aqui.
    10. 10. Exemplos de Machine Learning Minhas compras fazem o sistema aprender. Meu feedback ensina o sistema a se aprimorar e evoluir
    11. 11. Exemplos de Machine Learning Marcar os casos ensina o sistema a melhorar e evoluir Compras anteriores fazem o sistema aprender.
    12. 12. O que você precisa Infraestrutura Storage Memória Processadores Largura de banda Time Cientistas de dados Engenheiros Analistas Desenvolvedores Dados Base treinamento Over/Undersampling Overfitting Sistema de predição em que a linha verde representa um modelo sobreajustado e a linha preta um modelo regularizado.
    13. 13. Tesla ADS
    14. 14. Bancária Expor a fraude antes resulta em reais economias financeiras. Ao mesmo tempo, uma taixas pobres de detecção e altos incidentes de alarmes falsos aumentam custos de equipe, e afastam clientes fiéis. Seguros Atividades fraudolentas afetam a vida de pessoas inocentes, tanto por acidental quanto por intencional. Isso faz aumentar o valor dos planos e representa um grande problema para organizações e governo. Saúde Fraude em convênio médico é um crime grave e consiste em prejudicar o sistema de saúde com propósitos ilícitos. Os serviços são prejudicados afetando todos os envolvidos.
    15. 15. Demos
    16. 16. Previsão Decisões guiadas por dados a baixo custo levam a um novo tipo de gerenciamento, futuros líderes irão fazer as perguntas certas para as máquinas, ao invés de seres humanos especializados, que irão analisar os dados e sugerir recomendações e decisões que suas empresas irão usar em muitas áreas.
    17. 17. Obrigado { “evento”: “Fórum de Segurança da Informação da FADERGS”, “data” : “24/11/2015”, “hora” : “19h”, “autor” : “Jonathan Baraldi”, “email” : “jonathan@tesla-ads.com” }

    ×