Como uma empresa de tecnologia criou um sistema inteligente de detecção de fraudes por Pix com Machine Learning
- Marcelo Firpo
- 8 de set.
- 6 min de leitura
Monitoramento inteligente de transações Pix Detecção de fraudes sem depender de dados rotulados Inferência em tempo real com resposta em milissegundos
Resumo gerado por IA:
Em resposta ao aumento das fraudes no sistema de pagamentos instantâneos Pix, uma empresa de tecnologia especializada em software bancário implementou, com apoio da BlueMetrics, uma solução baseada em machine learning não supervisionado para detectar anomalias em tempo real. Sem depender de dados rotulados, o sistema utiliza técnicas de clustering para entender o comportamento padrão de cada conta e identificar transações suspeitas com precisão e agilidade, processando cada operação em milissegundos, sem impactar o tempo de resposta do Pix.
Visão geral
O avanço do sistema de pagamentos instantâneos no Brasil, o Pix, trouxe agilidade sem precedentes para usuários e empresas, consolidando-se rapidamente como um dos principais meios de transferência no país. No entanto, essa transformação também abriu espaço para o surgimento de novas modalidades de fraude, cada vez mais sofisticadas e difíceis de detectar pelos métodos tradicionais.
Diante desse cenário desafiador, uma fornecedora de software bancário decidiu inovar e oferecer aos seus clientes, bancos e fintechs, uma nova camada de segurança baseada em inteligência artificial. A meta era clara: garantir que fraudes pudessem ser identificadas com precisão e antecedência, sem comprometer o tempo de resposta das transações, um fator crítico no ecossistema do Pix.
O grande desafio estava justamente em equilibrar performance e inteligência: como detectar fraudes em tempo real, mesmo sem dispor de um histórico rotulado de casos anteriores (cenário comum em instituições financeiras)? A resposta exigia uma abordagem inovadora, capaz de aprender com o comportamento das contas e reagir com agilidade a padrões fora do comum.
Contexto do mercado:
Crescimento acelerado do Pix e da digitalização bancária
Aumento nas tentativas de fraude em tempo real
Alta exigência de performance e segurança nas transações
Problema: Como obter precisão em milissegundos, sem dados rotulados?
O Pix impõe um tempo máximo de 40 segundos para que uma transação seja concluída. Isso significa que qualquer análise antifraude precisa ser extremamente rápida, eficiente e, acima de tudo, integrada de forma transparente à operação. Para tornar o desafio ainda maior, a empresa não dispunha de um conjunto de dados rotulado com exemplos de fraudes, um cenário comum no setor bancário, onde fraudes muitas vezes não são documentadas com o detalhamento necessário para o treinamento supervisionado de modelos.
Além disso, cada conta bancária apresenta padrões de comportamento únicos, que variam conforme o tipo de cliente (pessoa física ou jurídica), o perfil de movimentação, os dias e horários de operação, entre outros fatores. Nesse contexto, o uso de regras fixas simplesmente não seria capaz de capturar todas as nuances e exceções, e poderia, inclusive, gerar falsos positivos ou deixar passar transações suspeitas.
Era necessário adotar uma abordagem inteligente, capaz de aprender com os dados e de se adaptar continuamente aos diferentes perfis de uso. “Esse é exatamente o tipo de desafio que nos motiva aqui na BlueMetrics: ele é estratégico para o cliente e tem potencial de gerar resultados concretos e mensuráveis mesmo no curto prazo”, afirma Gabriel Casara, CGO da BlueMetrics. “Com uma solução bem desenhada, é possível combinar inteligência e agilidade sem abrir mão da confiabilidade.”
Principais desafios:
Limitações operacionais:
Impossibilidade de aplicar regras fixas a perfis variados de clientes
Dificuldade em responder à complexidade comportamental das contas
Falta de sistema inteligente capaz de operar em tempo real
Limitações de negócio:
Risco de perdas financeiras por falta de prevenção ágil
Impossibilidade de oferecer proteção como diferencial competitivo
Ausência de métricas claras para detectar anomalias por cliente ou cluster
Limitações tecnológicas:
Falta de modelos adaptativos para novos perfis de transação
Inexistência de inferência rápida sem comprometer o tempo do Pix
Ausência de solução não supervisionada treinada com base em comportamento real
A solução: detecção de anomalias com Machine Learning não supervisionado
Com o apoio da BlueMetrics, a empresa implementou um modelo de machine learning não supervisionado, especialmente voltado para a identificação de anomalias comportamentais em ambientes de alto volume transacional. A ausência de dados rotulados exigiu uma abordagem baseada em clustering, na qual o sistema aprende, de forma autônoma, os padrões típicos de movimentação de cada conta, considerando variáveis como frequência, valor e horário das transações, e passa a comparar cada nova operação com esse histórico, medindo sua “distância” estatística em relação ao comportamento esperado.
Essa arquitetura orientada por comportamento foi essencial para capturar desvios sutis, mas potencialmente indicativos de fraude, sem depender de regras fixas ou listas prévias de exceções.
A solução foi construída com tecnologias nativas da AWS, garantindo escalabilidade, segurança e alta disponibilidade, e incorporou mecanismos de inferência em tempo real que permitem classificar transações em milissegundos. Cada movimentação é analisada automaticamente e recebe uma pontuação percentual de risco, possibilitando decisões imediatas. Tudo isso sem comprometer o tempo de resposta exigido pelo Banco Central para a liquidação do Pix.
Essa velocidade, aliada à precisão estatística do modelo, permitiu oferecer aos bancos e fintechs clientes da empresa um diferencial competitivo relevante: uma camada de segurança eficaz, discreta e totalmente integrada à jornada do usuário.
Principais componentes:
Modelo de machine learning não supervisionado
Técnicas de clustering para análise de comportamento por conta
Inferência em tempo real com Amazon SageMaker
Diferenciais tecnológicos:
Solução baseada em arquitetura 100% cloud (AWS)
Detecção de anomalias sem necessidade de dados rotulados
Tempo de resposta inferior a 1 segundo
Benefícios imediatos:
Identificação de fraudes antes da conclusão da transação
Capacidade de adaptação contínua a novos padrões de comportamento
Redução de prejuízos financeiros e fortalecimento da confiança no sistema
Que tal desenvolver uma solução como esta para a sua empresa?
Resultados:
O sistema passou a identificar transações suspeitas em menos de 1 segundo, o que permitiu a emissão de alertas em tempo real — antes mesmo da efetivação da operação — e deu às instituições parceiras a chance de agir preventivamente. Essa resposta ultrarrápida foi decisiva para proteger os usuários e manter a integridade do sistema, especialmente em um contexto de crescimento exponencial do Pix.
Em simulações com dados históricos, estimou-se que a funcionalidade teria evitado até R$ 1,5 milhão em prejuízos, comprovando seu potencial de impacto direto nos resultados financeiros dos clientes.
Mas os benefícios vão além da mitigação de perdas. A solução agregou valor estratégico ao portfólio da empresa desenvolvedora do software bancário, que passou a oferecer não apenas uma ferramenta de gestão, mas uma infraestrutura inteligente e proativa de segurança.
O novo recurso elevou a percepção de valor da plataforma, aumentando sua competitividade no mercado e reforçando o posicionamento da marca como referência em inovação e tecnologia antifraude no universo Pix. A combinação de performance técnica e resultados concretos consolidou a funcionalidade como um verdadeiro diferencial competitivo.
Gabriel Casara reforça: “É muito gratificante quando conseguimos entregar soluções que geram valor real e imediato para o cliente, resolvendo problemas concretos com impacto direto nos resultados. Esse é exatamente o tipo de desafio que nos move.”
Impactos na operação:
Identificação automatizada de transações suspeitas em milissegundos
Redução de perdas financeiras com alertas de fraude em tempo real
Fortalecimento da oferta de valor do software bancário com uma nova camada de segurança
Avanço tecnológico e integração:
Implementação de modelo não supervisionado adaptado a diferentes perfis de clientes
Processamento de transações com inferência em tempo real
Integração transparente com a infraestrutura bancária sem comprometer o tempo do Pix
Tecnologias utilizadas
A solução foi projetada utilizando diversas tecnologias AWS, incluindo:
Serviços AWS
Sagemaker
S3
Linguagens, Libs e Frameworks
Python
Conclusão:
Neste caso, a inteligência artificial não foi apenas uma aliada: foi o verdadeiro motor de inovação. Ao combinar machine learning não supervisionado com uma arquitetura robusta na nuvem, a empresa conseguiu desenvolver uma solução que atende aos requisitos mais críticos do setor financeiro: precisão, velocidade e escalabilidade. Com capacidade de identificar transações suspeitas em milissegundos e uma taxa potencial de prevenção que poderia ter evitado até R$ 1,5 milhão em fraudes, a funcionalidade vai muito além de uma camada extra de segurança.
Ela melhora significativamente a experiência dos usuários, protege milhões em ativos e fortalece o produto principal da empresa desenvolvedora, que agora se destaca no mercado por oferecer uma solução antifraude inteligente e em tempo real.
Mais do que resolver um problema técnico, a aplicação de IA aqui transformou um gargalo operacional em um ativo estratégico, e isso é o que torna esse tipo de inovação tão valioso: sua capacidade de transformar complexidade em vantagem competitiva concreta.
Que tal criar um case como este para a sua empresa? Vamos marcar uma call?
Conheça alguns Casos de Uso.
Sobre a BlueMetrics
A BlueMetrics foi fundada em 2016 e já conta com mais de 200 entregas bem-sucedidas nas áreas de Data & Analytics, GenAI e Machine Learning para mais de 90 empresas nos Estados Unidos, Brasil, Argentina, Colômbia e México. Conta com um método proprietário de gestão de projetos, o blue4AI, e uma equipe multidisciplinar focada na entrega de soluções para os desafios reais do mundo dos negócios.