A Sardine, empresa de prevenção a fraude e crime financeiro, lançou o Sardine AI Labs, grupo de pesquisa aplicada em IA. Na estreia, divulgou testes de um modelo de cartão que elevou em 68% a precisão na detecção de fraude num emissor deixado fora do treino.
O primeiro modelo de cartão do Sardine AI Labs
Item
O que a Sardine informa
Base de treino
Cerca de 1 bilhão de transações dos últimos 2 anos, de mais de uma dúzia de emissores
Emissor de cartão de consumo fora do treino
Precisão na detecção de fraude 68% maior
Emissor de cartão empresarial fora do treino
Precisão na detecção de fraude 41% maior
Base de comparação
Abordagens padrão de machine learning
Testes iniciais divulgados pela Sardine. Fonte: Finextra
O teste com emissores que o modelo nunca viu
O resultado escolhido para a vitrine ataca o chamado problema de cold start. Um emissor de cartão recém-lançado ainda não tem histórico suficiente para treinar um detector de fraude e costuma estar entre os primeiros alvos de quadrilhas que exploram produtos financeiros novos. Para contornar isso, o grupo treinou um modelo do tipo transformer com cerca de 1 bilhão de transações acumuladas em 2 anos, vindas de mais de uma dúzia de emissores.
Quando aplicado a emissores que ficaram de fora desse treino, o modelo teve ganho de 68% na precisão para um emissor de cartão de consumo e de 41% para um de cartão empresarial, sempre contra abordagens padrão de machine learning. A página oficial do laboratório informa que a métrica usada é a AUC-PR. Os números são da própria empresa, que publicou arquitetura, metodologia e resultados completos num whitepaper técnico.
“A descoberta mais importante é que modelos de fundação conseguem aprender diretamente com o comportamento transacional de um usuário, o que nos permite identificar fraudes com mais precisão do que abordagens que reduzem esse comportamento a um conjunto de variáveis tabulares”, disse Niranjan Shetty, Head of Data Science da Sardine (em tradução livre).
Publicidade
Bolsas para universidades dos EUA e do Canadá
Com o laboratório, a Sardine abriu inscrições para até cinco bolsas de pesquisa, voltadas a pesquisadores independentes matriculados em universidades dos EUA ou do Canadá. Entre os temas propostos estão generalizar o modelo de um emissor para outro, casar identidades, achar padrões de lavagem de dinheiro e responder em tempo real, em centenas de milissegundos. As inscrições vão até 13 de dezembro de 2026 e a primeira turma será anunciada em meados de janeiro de 2027.
Soups Ranjan, CEO e cofundador da Sardine, atribui à base de dados da empresa a capacidade de treinar um modelo próprio para risco: pelas contas dele, são mais de 6,5 bilhões de dispositivos, 441 milhões de consumidores, 3,4 milhões de empresas, 6,6 bilhões de transações e US$ 1,8 trilhão em pagamentos. “O Sardine AI Labs vai se concentrar em modelos de nível de produção que atendam a requisitos reais de latência, governança e explicabilidade”, disse (em tradução livre).
Os ganhos divulgados vêm de um emissor de consumo e de um empresarial, comparados a uma linha de base escolhida pela própria empresa. Vale acompanhar se resultados parecidos aparecem quando o modelo roda em produção, com a exigência de latência baixa que o próprio laboratório lista como tema de pesquisa, e se emissores recém-lançados, os mais expostos ao cold start, passam a contratar esse tipo de modelo antes de acumular histórico próprio.
Outra pergunta é de governança. Um modelo que aprende com dados de vários emissores para proteger um terceiro depende de consórcios de dados entre instituições, e a disposição de bancos e fintechs de cartão para participar desses arranjos, e as condições que vão exigir em troca, pode definir até onde esse tipo de pesquisa chega.
