Revista Científica Ciencia y Tecnología Vol 22 No 33 págs. 114-122
http://cienciaytecnologia.uteg.edu.ec
Análisis de las técnicas de machine learning aplicadas en la
detección de fraudes bancarios
Analysis of machine learning techniques applied in the
detection of bank fraud
Msc. Carlos Vicente Jones- Ortiz1
carlos.jones@unae.edu.ec
ORCID: https://orcid.org/0000-0002-3132-7765
Jomar Elizabeth Guzmán – Seraquive2
jomar.guzman@educacion.gob.ec
ORCID: https://orcid.org/0000-0002-8387-8921
Recibido: 28/6/2021, Aceptado: 28/9/2021
RESUMEN
Se considera al aprendizaje automático o de máquinas (machine learning en
inglés), como una subárea en el campo de la computación e informática,
además de estar estrechamente ligada a la inteligencia artificial; el objetivo de
esta técnica es lograr que los ordenadores aprendan, siendo un agente que
mejore la experiencia; ha sido muy útil sobre todo para el análisis de
investigaciones y procesos que generan grandes cantidades de datos; para el
presente artículo se realiza una revisión documental sobre el estado del arte de
los principales métodos de aprendizaje automáticos, basados en publicaciones
y artículos de hace no más de dos año. Busca eliminar las necesidades de contar
con conocimiento experto en el análisis de datos, sin embargo, la intuición del
ser humano sigue siendo pieza clave y no puede ser reemplazada en su
totalidad. El objetivo del artículo es analizar las técnicas de machine learning
más utilizadas en la detección de fraudes bancarios conociendo, las métricas
empleadas.
Palabras clave: Machine learning, inteligencia artificial, análisis de datos,
fraudes bancarios
ABSTRACT
Machine learning or machine learning is considered a subarea in the field of
computing and informatics, in addition to being closely linked to artificial
intelligence; The objective of this technique is to make computers learn, being
an agent that improves the experience; It has been very useful especially for
the analysis of investigations and processes that generate large amounts of
data; For this article, a documentary review is carried out on the state of the
art of the main automatic learning methods, based on publications and articles
1 Universidad Nacional de Educación
2 Unidad educativa General Antonio Elizalde
Jones-Ortiz, Guzmán-Seraquive.
Análisis de las técnicas de machine learning aplicadas en la detección de fraudes bancarios
from no more than two years ago. It seeks to eliminate the need for expert
knowledge in data analysis, however, human intuition remains a key element
and cannot be replaced in its entirety. The objective of the article is to analyze
the most used machine learning techniques in the detection of bank fraud,
knowing the metrics used.
Introducción
Con el pasar de los años, la inteligencia artificial ha evolucionado al punto de
presentar diferentes metodologías de aprendizaje automático aplicadas a un
sinnúmero de áreas en la vida cotidiana; actualmente, con la gran cantidad de
documentos que se producen y publican en la web, es fundamental contar con
herramientas tecnológicas que permita a las personas obtener, procesar y
discernir información que le resulte de utilidad en su formación profesional. “Las
técnicas de aprendizaje automático están experimentando un auge sin
precedentes en diversos ámbitos, tanto en el mundo académico como en el
empresarial, constituyendo una palanca de transformación relevante” (Calvo,
Guzmán, & Ramos, 2018, p. 5). Con el desarrollo tecnológico que se evidencia,
en el área de educación, empresarial, y con mucha presencia en los últimos
años en temas de seguridad, el aprendizaje automático o de máquina, ha
tomado principal relevancia con el objetivo de alcanzar un mayor y mejor
entendimiento de toda la información que reposa en la nube.
Al ser esta una tecnología basada en patrones, es capaz de aprender relaciones
y tendencias de manera automática, permitiendo integrar técnicas de gran
capacidad de analítica como el machine learning, es posible entre otras cosas
monitorear y configurar parámetros que colaboren en la detección de acciones
que antes eran más difícil de prevenir. En la actualidad, diferentes empresas,
sobre todo del área financiera, optan por esta alternativa para evaluar
escenarios donde se evalúen clientes con perfiles riesgosos e inclusive
determinar operaciones que signifiquen fraudes.
El objetivo del artículo es analizar las técnicas de machine learning mas
utilizadas para la detección de fraude bancaria mediante una revisión de
literatura generando conocimiento relacionado a las métricas empleadas.
Materiales y métodos
Se empleó una revisión de literatura con el fin de evidenciar las técnicas
empleadas para la detección de fraudes bancarios, se revisaron artículos desde
diferentes fuentes bibliográficas publicado en los años 2018 al 2020 con la
finalidad de recabar información lo más actualizada posible. El objetivo es
analizar la popularidad, características y eficiencia de las principales técnicas
de minería de datos y machine learning desde el punto de vista que los
investigadores exponen en función de la detección de fraudes bancarios.
Para garantizar la calidad y veracidad de la información consultada se aplican
estrategias de búsqueda que garanticen un adecuado proceso de selección, se
utilizaron bases de datos como Scopus, Scielo, Web of Science o IEEE Xplore;
la selección se limita en función del título, palabras clave y el resumen que
presenta cada artículo. Se evalúa el nivel de detalle que cada artículo ofrece,
115
Jones-Ortiz, Guzmán-Seraquive.
Análisis de las técnicas de machine learning aplicadas en la detección de fraudes bancarios
from no more than two years ago. It seeks to eliminate the need for expert
knowledge in data analysis, however, human intuition remains a key element
and cannot be replaced in its entirety. The objective of the article is to analyze
the most used machine learning techniques in the detection of bank fraud,
knowing the metrics used.
Introducción
Con el pasar de los años, la inteligencia artificial ha evolucionado al punto de
presentar diferentes metodologías de aprendizaje automático aplicadas a un
sinnúmero de áreas en la vida cotidiana; actualmente, con la gran cantidad de
documentos que se producen y publican en la web, es fundamental contar con
herramientas tecnológicas que permita a las personas obtener, procesar y
discernir información que le resulte de utilidad en su formación profesional. “Las
técnicas de aprendizaje automático están experimentando un auge sin
precedentes en diversos ámbitos, tanto en el mundo académico como en el
empresarial, constituyendo una palanca de transformación relevante” (Calvo,
Guzmán, & Ramos, 2018, p. 5). Con el desarrollo tecnológico que se evidencia,
en el área de educación, empresarial, y con mucha presencia en los últimos
años en temas de seguridad, el aprendizaje automático o de máquina, ha
tomado principal relevancia con el objetivo de alcanzar un mayor y mejor
entendimiento de toda la información que reposa en la nube.
Al ser esta una tecnología basada en patrones, es capaz de aprender relaciones
y tendencias de manera automática, permitiendo integrar técnicas de gran
capacidad de analítica como el machine learning, es posible entre otras cosas
monitorear y configurar parámetros que colaboren en la detección de acciones
que antes eran más difícil de prevenir. En la actualidad, diferentes empresas,
sobre todo del área financiera, optan por esta alternativa para evaluar
escenarios donde se evalúen clientes con perfiles riesgosos e inclusive
determinar operaciones que signifiquen fraudes.
El objetivo del artículo es analizar las técnicas de machine learning mas
utilizadas para la detección de fraude bancaria mediante una revisión de
literatura generando conocimiento relacionado a las métricas empleadas.
Materiales y métodos
Se empleó una revisión de literatura con el fin de evidenciar las técnicas
empleadas para la detección de fraudes bancarios, se revisaron artículos desde
diferentes fuentes bibliográficas publicado en los años 2018 al 2020 con la
finalidad de recabar información lo más actualizada posible. El objetivo es
analizar la popularidad, características y eficiencia de las principales técnicas
de minería de datos y machine learning desde el punto de vista que los
investigadores exponen en función de la detección de fraudes bancarios.
Para garantizar la calidad y veracidad de la información consultada se aplican
estrategias de búsqueda que garanticen un adecuado proceso de selección, se
utilizaron bases de datos como Scopus, Scielo, Web of Science o IEEE Xplore;
la selección se limita en función del título, palabras clave y el resumen que
presenta cada artículo. Se evalúa el nivel de detalle que cada artículo ofrece,
115
Revista Científica Ciencia y Tecnología Vol 22 No 33 págs. 114-122
http://cienciaytecnologia.uteg.edu.ec
para ello se plantean preguntas que permiten identificar escenarios positivos y
relevantes para la investigación como:
¿El artículo está enfocado en la detección de fraudes en entidades bancarias?
¿En el artículo se analizan y desarrollan una o más técnicas de machine
learning?
¿Los autores utilizan métricas para la evaluación de la técnica utilizada?
En su mayoría las propuestas analizadas cumplen con las necesidades
planteadas al detallar los procesos de detección de fraudes y la manera en que
es posible evaluar su rendimiento.
Resultados y discusiones
Machine Learning en el sector bancario
El Machine Learning es una metodología para el análisis de datos que facilita el
desarrollo de modelos analíticos. Hueso (2019) indica que “se refiere a la
capacidad que tienen los ordenadores de aprender a partir de los datos,
mediante el uso de algoritmos que permiten a la máquina cambiar su
comportamiento” (pág. 20). Es una rama de la inteligencia artificial
fundamentada en la idea que un sistema puede aprender de datos para así
identificar patrones y tomar decisiones con una mínima intervención del agente
humano.
Siddhant, Anish, Namita, & Arvind (2020) mencionan que esta disciplina se
encuentra estrechamente ligada a la inteligencia artificial, la misma se plantea
con la finalidad de abordar sistemas capaces de aprender automáticamente en
un contexto de identificar patrones y conductas en una amplia base de datos.
El surgimiento del interés en el aprendizaje automático y el constante desarrollo
de las tecnologías de la información y computación ha permitido que esta
técnica evolucione a un contexto iterativo, ya que a medida que los modelos
son expuestos a nuevos datos, éstos pueden aprender y adaptarse de forma
independiente a través de cálculos previos, emitiendo resultados confiables.
Las entidades bancarias persiguen como meta primordial la maximización de
utilidades y reducción de costos; para ello se enfocan en solventar factores
ligados a aspectos sociales, políticos, económicos y tecnológicos (Fernández,
2019). En este último punto es común encontrar que, si bien los recursos
tecnológicos significan un aporte en el desarrollo y mejora en la gestión de
bienes y servicios hacia el cliente, son susceptibles también a generar formas
de cometer delitos, principalmente lo que se conoce como fraude.
Dichos actos ilícitos desembarcan en pérdidas para los clientes y las entidades
bancarias que además pierde credibilidad afectando a la larga su reputación y
posicionamiento como empresa (Giraldo & Caimàn, 2019). El Machine Learning
ha permitido el desarrollo e integración constante de alternativas que permite
monitorear y controlar dichos ataques como por ejemplo sistemas de
verificación de dirección, verificación de tarjeta.
Las herramientas con las que cuentan la inteligencia artificial hacen posible que,
en el sector empresarial de forma específica en entidades financieras, se pueda
elaborar una revisión de gran volumen de datos y de forma rápida (Henderson
& Richard, 2020).
116
Jones-Ortiz, Guzmán-Seraquive.
Análisis de las técnicas de machine learning aplicadas en la detección de fraudes bancarios
Esto conlleva a una precisión en la identificación de las tarjetas de crédito,
evitando que ingresen datos fraudulentos, conceder préstamos por medio de
revisión automática sin tener previa entrevista con el cliente, entre otros.
Para Bataller (2019) el concepto propio del Machine Learning o aprendizaje
automático hace referencia a la detección sistemática de conductas y patrones
significativos en un grupo de datos. Por su parte Guillén (2019) indica que lo
vuelve una herramienta fundamental para cualquier tarea de extracción de
información en grandes volúmenes de datos.
Diferentes algoritmos de Machine Learning han presentado grandes resultados
en diversas tareas, sobre todo al tratarse de visión por computadora,
clasificación de documentos, conducción automática, reconocimiento
biométrico (Suntaxi, Ordoñez, & Pesantes, 2018). Permitiendo que a partir de
la información obtenida se genere un análisis exhaustivo de acciones y patrones
imperceptibles para el humano.
Menese (2018) indican que aspectos como la computación en la nube y la
evolución constante de tecnologías como el internet de las cosas han permitido
el desarrollo y posicionamiento de diversas técnicas de minería de datos y
aprendizaje automático. Ramírez, Jenkins, Martínez, & Quesada López (2020)
mencionan que la regresión lineal simple o múltiple, redes neuronales
artificiales, análisis de discriminante lineal, máquinas de soporte vectorial,
árboles de decisión o Naive Bayes; se determinan como las principales técnicas
utilizadas para la detección de fraudes en entidades bancarias.
Diferentes trabajos se han enfocado en determinar la eficiencia de estas en
función de métricas que evalúan su rendimiento, simplicidad y comportamiento,
por ellos partiendo de la revisión bibliográfica se mencionan las más utilizadas.
Redes neuronales
Para Sadgali, Sael, & Benannou (2019) mencionan que estas redes están
basadas en la biología humana, esto significa que imitan el comportamiento de
las neuronas en cuanto al aprendizaje se refiere. Para Bellido (2019)
naturalmente esto únicamente en sus funcionalidades primarias, son una
técnica de la inteligencia artificial que se encargan de realizar regresiones
complejas sobre grandes volúmenes de datos.
Singh & Jain (2019) refieren que las características principales son: Aprendizaje
desde la experiencia, sistematizan de ejemplos previos para la generación de
nuevos y abstracción de los datos de entrada.
Esta técnica de detección según lo mencionado por los autores tiene su base
en el aprendizaje automática de la máquina, de allí toma la información de
entrada y la procesa las veces que sea necesaria, hasta establecer si contiene
algún error.
117
Jones-Ortiz, Guzmán-Seraquive.
Análisis de las técnicas de machine learning aplicadas en la detección de fraudes bancarios
Esto conlleva a una precisión en la identificación de las tarjetas de crédito,
evitando que ingresen datos fraudulentos, conceder préstamos por medio de
revisión automática sin tener previa entrevista con el cliente, entre otros.
Para Bataller (2019) el concepto propio del Machine Learning o aprendizaje
automático hace referencia a la detección sistemática de conductas y patrones
significativos en un grupo de datos. Por su parte Guillén (2019) indica que lo
vuelve una herramienta fundamental para cualquier tarea de extracción de
información en grandes volúmenes de datos.
Diferentes algoritmos de Machine Learning han presentado grandes resultados
en diversas tareas, sobre todo al tratarse de visión por computadora,
clasificación de documentos, conducción automática, reconocimiento
biométrico (Suntaxi, Ordoñez, & Pesantes, 2018). Permitiendo que a partir de
la información obtenida se genere un análisis exhaustivo de acciones y patrones
imperceptibles para el humano.
Menese (2018) indican que aspectos como la computación en la nube y la
evolución constante de tecnologías como el internet de las cosas han permitido
el desarrollo y posicionamiento de diversas técnicas de minería de datos y
aprendizaje automático. Ramírez, Jenkins, Martínez, & Quesada López (2020)
mencionan que la regresión lineal simple o múltiple, redes neuronales
artificiales, análisis de discriminante lineal, máquinas de soporte vectorial,
árboles de decisión o Naive Bayes; se determinan como las principales técnicas
utilizadas para la detección de fraudes en entidades bancarias.
Diferentes trabajos se han enfocado en determinar la eficiencia de estas en
función de métricas que evalúan su rendimiento, simplicidad y comportamiento,
por ellos partiendo de la revisión bibliográfica se mencionan las más utilizadas.
Redes neuronales
Para Sadgali, Sael, & Benannou (2019) mencionan que estas redes están
basadas en la biología humana, esto significa que imitan el comportamiento de
las neuronas en cuanto al aprendizaje se refiere. Para Bellido (2019)
naturalmente esto únicamente en sus funcionalidades primarias, son una
técnica de la inteligencia artificial que se encargan de realizar regresiones
complejas sobre grandes volúmenes de datos.
Singh & Jain (2019) refieren que las características principales son: Aprendizaje
desde la experiencia, sistematizan de ejemplos previos para la generación de
nuevos y abstracción de los datos de entrada.
Esta técnica de detección según lo mencionado por los autores tiene su base
en el aprendizaje automática de la máquina, de allí toma la información de
entrada y la procesa las veces que sea necesaria, hasta establecer si contiene
algún error.
117
Revista Científica Ciencia y Tecnología Vol 22 No 33 págs. 114-122
http://cienciaytecnologia.uteg.edu.ec
Random forest
Se le denomina como clasificador capaz de discernir grandes cantidades de
datos, trabajan con valores aleatorios semejando su funcionamiento a los
árboles de decisión (Borja Robalino, Monleón Getino, & Rodellar, 2020). En la
detección de fraudes utiliza la selección al azar de usuarios creando así nuevas
entradas que a su vez permiten aprender el comportamiento pasado.
Naive bayes
Se enfoca en la probabilidad de ocurrencia, es muy preciso cuando se trata de
manejar grandes cantidades de información (González & Ortiz, 2018). Según
los casos que se ingresan como nuevas entradas realiza la interpretación de
cada variable.
Máquinas vectoriales de soporte
Emplea un conjunto de datos que han sido introducidos previamente por el ente
humano, estos son resultados de las observaciones de un entendido en el tema,
a su vez sirven para el entrenamiento del sistema de aprendizaje (Bonsón &
Ortega, 2019). Es importante mencionar que no siempre un individuo debe
estar revisando los resultados obtenidos.
Modelos lineales generalizados logit, probit, log log
Trabaja con medios aleatorios y variables independientes, a su vez emplea el
método de clasificación para el reconocimiento de patrones en usuarios que
registren datos fraudulentos (Singla & Baliyan, 2019). Muestra datos que
contienen mayor relevancia por ejemplo si se introducen 30 términos de
entradas al realización la evaluación mediante este modelo solo arroja las
respuestas más significativas.
En los documentos analizados se evidenció una concordancia en cuanto al uso
de las técnicas para detectar el fraude bancario. Se evidenciaron 5 técnicas
principales para la detección de fraudes detalladas en la siguiente tabla:
Tabla 1. Técnicas de Machine Learning para detectar el fraude
Técnicas
Porcentaje de técnicas
principales en la revisión
de literatura
Redes neuronales
(36%)
Random forest
(20%)
Naive Bayes
(16%)
Maquinas vectoriales de
soporte
(16%)
Jones-Ortiz, Guzmán-Seraquive.
Análisis de las técnicas de machine learning aplicadas en la detección de fraudes bancarios
Modelos lineales
generalizados (Modelo
logit, probit, log, log)
(12%)
Total
(100%)
Fuente: Elaboración de los autores
Según los resultados obtenidos se evidencia que la técnica aplicada de forma
mayoritaria con un 36% es las red neuronal, seguida, por Random Forest con
un 20%, de igual manera con un 16% respectivamente se encuentra Naive
Bayes y las maquinas vectoriales de soporte, por último, con 12% los modelos
lineales generalizados.
Una vez definida la popularidad de las técnicas de machine learning entre los
autores, se analizan las métricas que los mismos utilizan para (Frola, y otros,
2019) evaluar la eficiencia de estas, para las métricas juegan un rol
fundamental en problemas de clasificación donde se busca analizar algoritmos
Machine y Deep Learning, facilitando así la elección del mejor algoritmo en
función de un objetivo concreto.
Los autores mencionan diferentes métricas como accuracy, tabla de confusión,
recall o curva ROC, para diferentes investigadores, la primera de estas es la
más utilizada gracias a su comprensión para la evaluación general de un
algoritmo y las facilidades de cálculo que presentan, por su parte recall o
sensibilidad es una medida que permite establecer una proporción de casos
positivos debidamente clasificados.
En cuanto a la eficiencia se encuentran referencias sobe otras métricas
enfocadas al desempeño computacional de las plataformas y herramientas
machine learning, estas son speed, scalability y execution time.
Tabla 2. Métricas utilizadas para la evaluación de técnicas machine
learning
Métrica
Descripción
Porcentaje
Accurary
Clasificaciones
predichas de
manera correcta
en función del
total de
incidencias
(58%)
Recall
Porcentaje de
casos positivos
debidamente
clasificados
(20%)
Jones-Ortiz, Guzmán-Seraquive.
Análisis de las técnicas de machine learning aplicadas en la detección de fraudes bancarios
Modelos lineales
generalizados (Modelo
logit, probit, log, log)
(12%)
Total
(100%)
Fuente: Elaboración de los autores
Según los resultados obtenidos se evidencia que la técnica aplicada de forma
mayoritaria con un 36% es las red neuronal, seguida, por Random Forest con
un 20%, de igual manera con un 16% respectivamente se encuentra Naive
Bayes y las maquinas vectoriales de soporte, por último, con 12% los modelos
lineales generalizados.
Una vez definida la popularidad de las técnicas de machine learning entre los
autores, se analizan las métricas que los mismos utilizan para (Frola, y otros,
2019) evaluar la eficiencia de estas, para las métricas juegan un rol
fundamental en problemas de clasificación donde se busca analizar algoritmos
Machine y Deep Learning, facilitando así la elección del mejor algoritmo en
función de un objetivo concreto.
Los autores mencionan diferentes métricas como accuracy, tabla de confusión,
recall o curva ROC, para diferentes investigadores, la primera de estas es la
más utilizada gracias a su comprensión para la evaluación general de un
algoritmo y las facilidades de cálculo que presentan, por su parte recall o
sensibilidad es una medida que permite establecer una proporción de casos
positivos debidamente clasificados.
En cuanto a la eficiencia se encuentran referencias sobe otras métricas
enfocadas al desempeño computacional de las plataformas y herramientas
machine learning, estas son speed, scalability y execution time.
Tabla 2. Métricas utilizadas para la evaluación de técnicas machine
learning
Métrica
Descripción
Porcentaje
Accurary
Clasificaciones
predichas de
manera correcta
en función del
total de
incidencias
(58%)
Recall
Porcentaje de
casos positivos
debidamente
clasificados
(20%)
Revista Científica Ciencia y Tecnología Vol 22 No 33 págs. 114-122
http://cienciaytecnologia.uteg.edu.ec
False
positive
rate
Precisión de una
prueba de
diagnóstico o
aprendizaje
(10%)
Specificity
Porcentaje de
casos positivos
debidamente
clasificados
(6%)
Índice
kappa
K=Po-Pe/1-Pe ->
donde Po es la
proporción de
accuarary
observado por lo
tanto Po =
accurary
(6%)
Total
(100%)
Fuente: Elaboración de los autores
Si bien esta metodología no es del todo nueva, ha tomado nuevos propósitos y
rutas basada en algoritmos de aprendizaje de máquina aplicados en diferentes
contextos del mundo real como por ejemplo cálculos matemáticos complejos
de Big data o simplemente ofertas y recomendaciones en línea.
Conclusiones
La revisión documental realizada permitió profundizar en los principales
conceptos, definiciones y características del aprendizaje automático o de
máquina (machine learning) y sus aplicaciones en cuanto a la seguridad y
prevención de fraudes financieros; se pudo identificar las principales técnicas
de machine learning expuestas por los autores de los artículos consultados de
los años (2018 y 2019) donde se observa una tendencia alineada a la
metodología de redes neuronales donde se especifican las ventajas debido a su
capacidad de estimar modelos no lineales, que sirven sobre todo para la
cuantificación del riesgo de crédito.
Otras técnicas destacadas son Random Forest y Naive bayes, mismas que se
enfocan en la probabilidad de que ocurra un hecho aislado, manejando grandes
cantidades de información, trabajando con valores aleatorios que semejan el
funcionamiento de un árbol de decisión.
Se concluye mediante el estudio realizado que existen diferentes técnicas
capaces de establecer herramientas eficientes que reduzcan el riesgo de fraude
financiero en este tipo de instituciones, además que, las redes neuronales son
las que mayor aceptación y predilección representa entre los autores, que se
explica en el sentido en que cuenta con gran versatilidad para diferentes
aplicaciones.
120
Jones-Ortiz, Guzmán-Seraquive.
Análisis de las técnicas de machine learning aplicadas en la detección de fraudes bancarios
Por su parte, la técnica Naive Bayes es simplista, y presenta una semántica
sencilla que usa y genera conocimiento a través de análisis probabilísticos lo
que la vuelve también una metodología popular entre los autores.
La exactitud o accurary es la métrica de mayor utilización, los principales
valores de exactitud expuestos están entre el 70 y 99% en las diferentes
implementaciones y técnicas de clasificación sobre todo en redes neuronales,
convolucionales y máquinas vectoriales de soporte. Estas se enfocan en el
tiempo que le toma al algoritmo arrojar resultados, por su parte alguna de ella
se enfoca en el costo computacional.
Referencias
Bataller, R. (2019). La era de la inteligencia artificial. Nuevas herramientas para
los creadores . San Juan : Unversidad Nacional de San Juan .
Bellido. (2019). Redes neuronales para predecir el comportamiento del
conjunto de activos financieros más líquidos del mercado de valores peruano.
Revista Científica de la UCSA,, 49-64. Retrieved from
https://ucsa.edu.py/yeah/wp-content/uploads/2019/04/4_A0._Bellido-B.-
Redes-neuronales-para-predecir-el-comportamiento_49-64.pdf
Bonsón, E., & Ortega, M. (2019). Big data, Iteligencia Artificial y Data Analitics
( BIDA). Dialnet, 11-13.
Borja Robalino, R., Monleón Getino, A., & Rodellar, J. (2020). Estandarización
de métricas de rendimiento para clasificadores Machine y Deep Learning.
Revista Ibérica de Sistemas e Tecnologias de Informação, 30, 184-196.
Obtenido de https://www.researchgate.net/profile/Antonio_Monleon-
Getino/publication/342009715_Estandarizacion_de_metricas_de_rendimien
to_para_clasificadores_Machine_y_Deep_Learning/links/5ede3d0392851cf1
3869078e/Estandarizacion-de-metricas-de-rendimiento-para-clasifi
Calvo, J., Guzmán, M., & Ramos, D. (2018). Machine Learning, una pieza clave
en la transformación de los modelos de negocio. Management Solutions, 1 -
42. Retrieved from
https://www.managementsolutions.com/sites/default/files/publicaciones/es
p/machine-learning.pdf
Fernández, A. (2019). Inteligencia artificial en los servicios financieros. Boletín
Económico, 1-10.
Frola, Chesñevar, Alvez, Etchart, Miranda, Ruiz, & Teze. (2019). Framework
SDF Machine Learning en transacciones financieras y detección temprana de
fraudes. In XXI Workshop de Investigadores en Ciencias de la Computación
(WICC 2019, Universidad Nacional de San Juan)..
Giraldo, & Caimàn. (2019). Bigdata, Análisis Y Tendencias En La Economía
Digital. Eventos imteggrados, 1-522.
121
Jones-Ortiz, Guzmán-Seraquive.
Análisis de las técnicas de machine learning aplicadas en la detección de fraudes bancarios
Por su parte, la técnica Naive Bayes es simplista, y presenta una semántica
sencilla que usa y genera conocimiento a través de análisis probabilísticos lo
que la vuelve también una metodología popular entre los autores.
La exactitud o accurary es la métrica de mayor utilización, los principales
valores de exactitud expuestos están entre el 70 y 99% en las diferentes
implementaciones y técnicas de clasificación sobre todo en redes neuronales,
convolucionales y máquinas vectoriales de soporte. Estas se enfocan en el
tiempo que le toma al algoritmo arrojar resultados, por su parte alguna de ella
se enfoca en el costo computacional.
Referencias
Bataller, R. (2019). La era de la inteligencia artificial. Nuevas herramientas para
los creadores . San Juan : Unversidad Nacional de San Juan .
Bellido. (2019). Redes neuronales para predecir el comportamiento del
conjunto de activos financieros más líquidos del mercado de valores peruano.
Revista Científica de la UCSA,, 49-64. Retrieved from
https://ucsa.edu.py/yeah/wp-content/uploads/2019/04/4_A0._Bellido-B.-
Redes-neuronales-para-predecir-el-comportamiento_49-64.pdf
Bonsón, E., & Ortega, M. (2019). Big data, Iteligencia Artificial y Data Analitics
( BIDA). Dialnet, 11-13.
Borja Robalino, R., Monleón Getino, A., & Rodellar, J. (2020). Estandarización
de métricas de rendimiento para clasificadores Machine y Deep Learning.
Revista Ibérica de Sistemas e Tecnologias de Informação, 30, 184-196.
Obtenido de https://www.researchgate.net/profile/Antonio_Monleon-
Getino/publication/342009715_Estandarizacion_de_metricas_de_rendimien
to_para_clasificadores_Machine_y_Deep_Learning/links/5ede3d0392851cf1
3869078e/Estandarizacion-de-metricas-de-rendimiento-para-clasifi
Calvo, J., Guzmán, M., & Ramos, D. (2018). Machine Learning, una pieza clave
en la transformación de los modelos de negocio. Management Solutions, 1 -
42. Retrieved from
https://www.managementsolutions.com/sites/default/files/publicaciones/es
p/machine-learning.pdf
Fernández, A. (2019). Inteligencia artificial en los servicios financieros. Boletín
Económico, 1-10.
Frola, Chesñevar, Alvez, Etchart, Miranda, Ruiz, & Teze. (2019). Framework
SDF Machine Learning en transacciones financieras y detección temprana de
fraudes. In XXI Workshop de Investigadores en Ciencias de la Computación
(WICC 2019, Universidad Nacional de San Juan)..
Giraldo, & Caimàn. (2019). Bigdata, Análisis Y Tendencias En La Economía
Digital. Eventos imteggrados, 1-522.
121
Revista Científica Ciencia y Tecnología Vol 22 No 33 págs. 114-122
http://cienciaytecnologia.uteg.edu.ec
González, E., & Ortiz, A. (2018). Detección de Fraude en Tarjetas de Crédito
mediante técnicas de mineria de datos . Universidad Santo Tomás .
Guillén, R. (2019). Sistemas para detectar fraude en medios de pago. Madrid:
Universidad Politécnica de Madrid.
Henderson, & Richard. (2020). Using graph databases to detect financial fraud.
Computer Fraud & Security, 6-10. doi:10.1016/S1361-3723(20)30073-7
Hueso, L. (2019). Riesgos e impato del Big Data, la inteligencia artificla, y la
róbotica. Enfoque modelos y principios de la respuesta del derecho. Revista
general del derecho administrativo, 2-37.
Meneses, M. (2018). Grandes datos, grandes desafíos para las ciencias sociales.
Revista Mexicana de Sociología, 415-444. Obtenido de
http://www.scielo.org.mx/pdf/rms/v80n2/0188-2503-rms-80-02-415.pdf
Ramírez, A., J. M., Martínez, A., & Quesada López, C. (2020). Uso de técnicas
de minería de datos y aprendizaje automático para la detección de fraudes
en estados financieros: un mapeo sistemático de literatura. Revista Ibérica
de Sistemas e Tecnologias de Informação, 97 - 109.
Sadgali, Sael, & Benannou. (2019). Performance of machine learning
techniques in the detection of financial frauds. Procedia Computer Science,
45-54.
Siddhant, B., Anish, G., Namita, G., & Arvind, G. (2020). Credit Card Fraud
Detection using Pipeling and Ensemble Learning. Procedia Computer
Science, 173, 104-112. doi:10.1016/j.procs.2020.06.014
Singh, A., & Jain, A. (2019). Adaptive Credit Card Fraud Detection Techniques
Based on Feature Selection Method. Advances in Computer Communication
and Computational Sciences (págs. 167-178). Singapore: Springer.
Singla, S., & Baliyan, N. (2019). Space Shuttle Landing Control Using
Supervised Machine Learning. Book Chapter published 2019 in Advances in
Intelligent Systems and Computing, 349-356. doi:doi.org/10.1007/978-
981-13-1822-1_32
Suntaxi, M., Ordoñez, P., & Pesantes, M. (2018). Applications of Deep Learning
in Financial Intermediation: A Systematic Literature Review. KnE
Engineering, 47-60. doi:10.18502/keg.v3i9.3645
122
