A UFS preocupa-se com a sua privacidade

A UFS poderá coletar informações básicas sobre a(s) visita(s) realizada(s) para aprimorar a experiência de navegação dos visitantes deste site, segundo o que estabelece a Política de Privacidade de Dados Pessoais. Ao utilizar este site, você concorda com a coleta e tratamento de seus dados pessoais por meio de formulários e cookies.

Ciente
Notícias

Banca de DEFESA: BRUNO LUIZ KREUTZ BARROSO

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: BRUNO LUIZ KREUTZ BARROSO
DATA: 11/11/2019
HORA: 15:30
LOCAL: Sala de Seminários
TÍTULO: DATA MINING E DATA ANALYTICS NA DETECÇÃO DE TRANSAÇÕES SUSPEITAS DE LAVAGEM DE DINHEIRO
PALAVRAS-CHAVES: DATA ANALYTICS; LAVAGEM DE DINHEIRO; EXPERIMENTAÇÃO; DATA MINING; SEGURANÇA PÚBLICA
PÁGINAS: 70
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Metodologia e Técnicas da Computação
ESPECIALIDADE: Banco de Dados
RESUMO:

Contexto: Lavagem de dinheiro (LD) é um crime que pode afetar todo o sistema financeiro de um país. Além dos atos ilícitos, os quais geram os valores a serem lavados e representam um prejuízo para nação, um Governo com verbas desviadas enfraquece sua capacidade de efetivar políticas públicas em favor do povo. Em 2007, no Brasil, iniciou-se a criação dos primeiros Laboratórios de Tecnologia contra Lavagem de Dinheiro (LABLDs), os quais, hoje, estão presentes em todas as regiões da federação e são responsáveis por políticas de desenvolvimento de métodos e tecnologias de ponta para dar suporte aos órgãos de persecução penal. A necessidade de inovação neste cenário de combate ao crime impõe parcerias, apoio, pesquisas e método científicos. Objetivo: Este trabalho teve por propósito avaliar a eficácia dos algoritmos EM (Expectation–Maximization), DT (Decision Tree), NN (Neural Network), LR (Logistic Regression) e K-Means sobre bases de dados reais de transações financeiras investigadas pelos LABLDs de Sergipe, comparando as evidências encontradas com os resultados obtidos de um mapeamento do estado da arte publicado nesta pesquisa. Método: Inicialmente, foi realizado um mapeamento sistemático como forma de identificar e sistematizar as principais abordagens, técnicas e algoritmos usados, na computação, para lutar contra a LD. Por fim, foram planejados e executados dois experimentos controlados, in vivo, utilizando dois casos reais de investigação. Resultados: Para o estado da arte, foi identificado que as abordagens principais utilizadas contra LD são classificadores supervisionados e clusters. Com a execução de todo o processo experimental, foi evidenciado que os algoritmos DT, LR, EM e NN obtiveram acurácia máxima de 98.80%, 98.26%, 98.25% e 98.17%, respectivamente. Por fim, o algoritmo K-Means obteve as piores médias, alcançando uma acurácia máxima de 82.58%. Conclusões: Após ser analisado o estado da arte, evidenciou-se que há oportunidades para explorar soluções contra LD, principalmente nas áreas de Aprendizado de Máquina e Aprendizado Profundo. Finalmente e em linhas gerais, uma vez que nossos experimentos avaliaram vários tipos de agrupamentos de transações, com resultados diferentes para estes, o algoritmo DT se apresenta como uma alternativa superior aos demais, para a implementação de um módulo preditor de transações suspeitas. Além disso, foram confirmados os resultados encontrados na literatura, os quais indicam o EM como algoritmo superior ao K-Means, no entanto, agora, com a chancela de um ambiente real e específico de investigação.


MEMBROS DA BANCA:
Presidente - 2227110 - METHANIAS COLACO RODRIGUES JUNIOR
Interno - 2029175 - BEATRIZ TRINCHAO ANDRADE DE CARVALHO
Externo à Instituição - MARIO ANDRE DE FREITAS FARIAS

Notícia cadastrada em: 29/10/2019 14:01
SIGAA | Superintendência de Tecnologia da Informação/UFS - - | Copyright © 2009-2024 - UFRN - bigua3.bigua3 v3.5.16 -r19032-7126ccb4cf