Detecção de anomalias em tempo real para identificação de fraudes com streaming data e online learning: uma revisão da literatura

Abstract

Resumo A crescente digitalização dos serviços financeiros e das plataformas electrónicas tem intensificado os desafios associados à detecção de fraudes, exigindo sistemas capazes de analisar grandes volumes de dados em tempo real. Os métodos tradicionais, baseados em regras fixas e em modelos estáticos, revelam limitações perante a evolução contínua dos padrões fraudulentos. O presente artigo tem como objectivo analisar, através de uma revisão da literatura, a aplicação da detecção de anomalias em tempo real à identificação de fraudes com recurso a Streaming Data e a algoritmos de Online Learning. O estudo adopta uma abordagem qualitativa, descritiva e exploratória, assente na pesquisa bibliográfica em bases de dados científicas e na análise qualitativa de conteúdo de artigos, livros e estudos especializados nas áreas da Inteligência Artificial, da aprendizagem automática, da mineração de fluxos de dados e da segurança digital. Os resultados evidenciam que a integração entre o processamento contínuo de dados, a detecção de anomalias e a aprendizagem incremental permite desenvolver sistemas mais adaptativos, escaláveis e eficientes na identificação de comportamentos suspeitos. Persistem, contudo, desafios relacionados com o concept drift, o desequilíbrio entre classes, os falsos positivos, a interpretabilidade dos modelos e a validação destas tecnologias em contextos reais, sendo ainda escassos os estudos sobre países em desenvolvimento, incluindo Moçambique. Conclui-se que a combinação entre Streaming Data e Online Learning constitui uma abordagem promissora para reforçar os mecanismos de prevenção de fraudes digitais, recomendando-se o desenvolvimento de estudos empíricos que considerem diferentes contextos tecnológicos e socioeconómicos. Abstract The increasing digitalisation of financial services and electronic platforms has intensified the challenges associated with fraud detection, requiring systems capable of analysing large volumes of data in real time. Traditional methods, based on fixed rules and static models, show limitations in the face of the continuous evolution of fraudulent patterns. This article aims to analyse, through a literature review, the application of real-time anomaly detection to fraud identification using Streaming Data and Online Learning algorithms. The study adopts a qualitative, descriptive and exploratory approach, based on a bibliographic search of scientific databases and on a qualitative content analysis of articles, books and specialised studies in the fields of Artificial Intelligence, machine learning, data stream mining and digital security. The findings show that integrating continuous data processing, anomaly detection and incremental learning enables the development of more adaptive, scalable and efficient systems for identifying suspicious behaviour. However, challenges persist regarding concept drift, class imbalance, false positives, model interpretability and the validation of these technologies in real-world settings, and studies on developing countries, including Mozambique, remain scarce. The study concludes that combining Streaming Data and Online Learning is a promising approach to strengthening digital fraud prevention mechanisms, and recommends empirical studies that consider different technological and socio-economic contexts.