Iberoamerican Journal of Applied Computing

A MACHINE LEARNING-BASED FRAMEWORK FOR DETECTING FINANCIAL FRAUDULENT TRANSACTIONS

2025-11-08T18:26:44+00:00

O objetivo deste estudo foi desenvolver e avaliar modelos de aprendizado de máquina para a detecção de fraudes financeiras em transações, visando mitigar perdas econômicas e apoiar a tomada de decisões em instituições bancárias. A metodologia envolveu o uso do conjunto de dados público Credit Card Fraud Detection, composto por 284.807 transações, das quais apenas 492 foram fraudulentas (≈ 0,172%). Os algoritmos Random Forest e XGBoost foram testados, com e sem a aplicação da técnica de balanceamento SMOTE. A avaliação foi conduzida utilizando métricas como precisão, recall, F1-score, MCC, além das curvas ROC e de Precisão-Recall. Complementarmente, uma validação qualitativa foi realizada por meio de entrevistas com quatro especialistas do setor financeiro, a fim de analisar a aplicabilidade prática dos modelos. Os resultados mostraram que todos os modelos apresentaram alto desempenho geral, com áreas sob a curva ROC acima de 0,96. O XGBoost com SMOTE alcançou maior sensibilidade, com recall de 85% e 15 falsos negativos, porém com um aumento de falsos positivos (22). Por outro lado, o Random Forest sem SMOTE obteve melhor precisão (0,94) e a maior pontuação F1 (0,87), mas falhou na detecção de 18 casos de fraude. O Random Forest com SMOTE apresentou desempenho intermediário. A validação qualitativa confirmou a relevância dos modelos, com 75% dos especialistas priorizando a máxima detecção de fraudes, mesmo com um maior número de falsos alarmes, e 25% valorizando a redução de falsos alarmes, mesmo que isso signifique menor sensibilidade. Conclui-se que a escolha do modelo deve considerar o equilíbrio entre recall e precisão, alinhado às prioridades institucionais entre reduzir perdas financeiras e minimizar a sobrecarga operacional. O estudo também destaca limitações, como o uso de um conjunto de dados temporal específico e a ausência de otimização avançada de hiperparâmetros. Para trabalhos futuros, sugere-se explorar o ajuste de parâmetros, o aprendizado incremental e a validação em conjuntos de dados contemporâneos, visando maior robustez e aplicabilidade prática dos modelos.

PHP CALANGO FRAMEWORK AND DIGITAL TRANSFORMATION: AN INTRODUCTORY GUIDE FOR BEGINNERS

2025-04-02T02:36:29+00:00

Calango is a lightweight PHP framework released in 2012 as an open-source project under the LGPL-3.0 license. It suits program language teaching, research applications, small or mid-size business websites, APIs, microservices, and prototypes. Calango works with the MVC structure, and its simplicity allows the developer greater freedom in their applications. This paper presents a tutorial introduction to help potential framework users get started through a step-by-step guideline.

CONSTRUCTION OF AN ETL PIPELINE FOR TRAFFIC DATA ANALYSIS USING PUBLIC SOURCES

2025-11-10T21:04:58+00:00

O crescimento do fluxo de veículos nas cidades intensificou desafios relacionados a mobilidade urbana, exigindo soluções baseadas em dados para subsidiar o planejamento e a gestão do trânsito. Este trabalho apresenta o desenvolvimento de um pipeline de Extração, Transformação e Carregamento (ETL) para o processamento automatizado de dados públicos de trânsito da cidade de Curitiba. A solução foi implementada com tecnologias open-source — Python, Apache Airflow e MySQL — visando garantir escalabilidade, automação e integração entre diferentes fontes de dados. Os resultados demonstraram a eficácia do pipeline na coleta, transformação e armazenamento das informações, permitindo a geração de visualizações analíticas em Power BI que evidenciam padrões espaciais e temporais de ocorrências de trânsito. O estudo reforça a importância da Engenharia de Dados como instrumento de apoio a tomada de decisão e a otimização ao da mobilidade urbana.

AUTOMATED BREAST CANCER DIAGNOSIS WITH YOLO AND GENERATIVE AI

2025-10-02T00:06:31+00:00

Breast cancer is a leading cause of mortality among women in Brazil, and human interpretation of mammograms still has limitations. This study evaluated a BI-RADS (Breast Imaging Reporting and Data System) classification pipeline that uses the YOLO (You Only Look Once) model for lesion segmentation and the ChatGPT language model for interpretation and assisted diagnosis. 120 images classified with the following distribution were used to evaluate the results: BI-RADS 3 (68 images), 4 (44 images), and 5 (images). Three approaches were given: (i) direct AI diagnosis; (ii) a pre-trained model without preprocessing getting used in the ChatGPT; and (iii) the same model with detailed morphological descriptions and enhancement filters (CLAHE and Sharpen), with ChatGPT producing the classification. The overall accuracies were 30%, 42%, and 70%, respectively. The methodology improved the accuracy of the results, although it still presents limitations in the model's ability to differentiate specific cases, or even creating a confusion in the interpretability, indicating space for future improvements.