--- title: Modelos fundacionais na deteção de fraude: a tecnologia por trás do ChatGPT aplicada à fraude source_page: https://www.sardine.ai/pt/media/the-saturday-fraud-strategist/episodes/foundation-models-in-fraud canonical: https://www.sardine.ai/pt/media/the-saturday-fraud-strategist/episodes/foundation-models-in-fraud format: text/markdown date: 2026-11-07T01:01:00.000Z description: Os modelos fundacionais na deteção de fraude são uma realidade ou apenas hype? Em que diferem do XGBoost, onde melhoram a precisão e onde a qualidade dos dados e a latência continuam a impor limites… --- **Quick links:** [Human page](https://www.sardine.ai/pt/media/the-saturday-fraud-strategist/episodes/foundation-models-in-fraud) · [Home](https://www.sardine.ai) · [Customers](https://www.sardine.ai/pt/customers) · [Blog](https://www.sardine.ai/pt/blog) · [Demo](https://www.sardine.ai/pt/demo) --- # Modelos fundacionais na deteção de fraude: a tecnologia por trás do ChatGPT aplicada à fraude **Published:** 2026-11-07T01:01:00.000Z Os modelos fundacionais na deteção de fraude são uma realidade ou apenas hype? Em que diferem do XGBoost, onde melhoram a precisão e onde a qualidade dos dados e a latência continuam a impor limites… Os modelos fundacionais para combater a fraude estão na agenda de todas as conferências este ano, e continuo a ouvir a mesma pergunta. São uma verdadeira inovação ou apenas mais um termo da moda? Quando cheguei ao Money20/20 Vegas, quis fazer essa pergunta a alguém que desenvolve soluções com estes modelos todos os dias. Pedro Sanzovo trabalha com produtos de identidade e prevenção a fraudes e atua nessa área desde o início da carreira. Começou na Palantir, fundou uma empresa de prevenção a fraudes para lojistas no Brasil e a vendeu para a Signifyd, onde liderou o desenvolvimento de produtos baseados em modelos de aprendizado de máquina. Há seis meses, ingressou na Plaid. Mantivemos esta conversa curta e prática. O que é um modelo fundacional e como ele difere dos modelos que a maioria de nós usa hoje? Em que situações ele supera o XGBoost e em quais esbarra nas mesmas limitações? E o que fazer com um embedding quando sua equipe trabalha com regras? Pedro trouxe boas respostas e algumas coisas que acho que você vai querer ouvir. O que vai ouvir neste episódio: O que é um modelo fundacional e como os modelos transformer diferem das regras encadeadas e dos modelos XGBoost que as equipas de combate à fraude utilizam há anos Por que os modelos tradicionais dependem de atributos criados manualmente e de rótulos de qualidade para a aprendizagem supervisionada, e por que isso é difícil para empresas menores Como os modelos de base para dados financeiros tratam as transações como uma sequência de eventos e preveem o que vem a seguir O que Pedro quer dizer com o aumento de precisão de até 34% que tem observado e por que a qualidade dos dados continua a determinar o resultado Por que as restrições de latência, como o limite de 300 milissegundos para transações com cartão, determinam qual modelo deve ser usado em cada contexto Como a explicabilidade dos modelos fundacionais se compara à do XGBoost e por que as expectativas diferem nas áreas de crédito e fraude Por que é difícil transformar embeddings em regras e como os agentes de IA podem ajudar Deve ouvir este episódio se: Lidera ou trabalha numa equipa de ciência de dados dedicada à fraude e está a decidir se deve explorar modelos fundacionais Lidera uma pequena equipa de combate à fraude e enfrenta dificuldades com a rotulagem de dados e a engenharia de atributos Quer uma explicação simples de como os modelos fundacionais diferem do XGBoost Precisa de ponderar os ganhos de precisão face à latência e à explicabilidade Têm curiosidade em saber como os embeddings e os agentes de IA poderiam trabalhar em conjunto para criar regras de deteção de fraude ### Notas do episódio e principais conclusões Das regras ao XGBoost e aos transformers Pedro explica a história de forma simples. Durante 10 a 15 anos, a prevenção de fraudes baseou-se em regras encadeadas. Depois, o XGBoost permitiu usar muito mais dados para tomar pequenas decisões com latência muito baixa. Essa abordagem foi o estado da arte durante cerca de uma década. Observei que, de uma perspetiva algorítmica, esses modelos se parecem muito com regras, e Pedro concordou que partilham as mesmas desvantagens. Exigem muito trabalho para serem criados, precisam de cientistas de dados para programar as variáveis e dependem de rótulos claros para a aprendizagem supervisionada. Se algo for rotulado incorretamente, entram dados de má qualidade e saem resultados de má qualidade, o que é especialmente difícil para empresas mais pequenas. A conclusão é que os modelos tradicionais funcionam, mas deixam o peso do trabalho sobre as pessoas. O que muda com um modelo fundacional Os modelos Transformer são a base dos LLMs que todos usamos e funcionam tratando a informação como uma sequência e prevendo a próxima saída mais provável. A questão de Pedro é o que acontece se fizermos o mesmo com os dados financeiros. A Plaid e outras empresas já codificam informações financeiras como uma sequência de eventos e criam embeddings que substituem as características definidas manualmente. As equipes dependem menos da engenharia de características e precisam de rótulos menos precisos, embora alguns rótulos ainda sejam necessários. Pedro observa um ganho de precisão de até 34%, o que corresponde ao que vejo no setor. No entanto, o mesmo problema persiste. Dados de baixa qualidade geram resultados de baixa qualidade, e até algo tão simples como registros de data e hora precisos é mais fácil de dizer do que de fazer. Esses modelos podem absorver mais dados, mas não temos uma oferta ilimitada de dados limpos, e as equipes talvez precisem começar a coletar dados que nunca armazenaram antes. A latência, a precisão e a explicabilidade determinam onde cada modelo se enquadra Perguntei como tudo isso se encaixa na aprendizagem automática e nos modelos de decisão mais recentes. Pedro analisa as variáveis-alvo e as restrições. O objetivo costuma ser a precisão e a sensibilidade, e a maior restrição é a latência. Uma decisão sobre uma transação com cartão tem um limite de tempo de cerca de 300 milissegundos ou menos, enquanto a adesão de novos clientes ou o abuso de promoções permitem uma margem muito maior. Na sua opinião, uma boa equipa de ciência de dados e engenharia de dados deve explorar as opções, saber o que está a otimizar e deixar que os dados decidam. Se um modelo conseguir uma precisão superior sob as mesmas restrições, é esse que ganha. A explicabilidade é a sua outra preocupação. O XGBoost nunca a resolveu por completo, mas é muito mais fácil de utilizar do que um transformer. No crédito, existe uma exigência regulamentar de explicabilidade; na fraude, não. A resposta certa depende do caso de utilização. De embeddings a regras com agentes de IA Acrescentei que os embeddings são um atalho para a engenharia de atributos, mas não podem ser usados em regras. O Pedro pensou imediatamente em agentes. A sua equipa está a experimentar fornecer embeddings a agentes e perguntar-lhes se conseguem transformar alguns deles em regras e identificar lacunas. Continua a ser necessário que uma pessoa avalie se o trabalho é bom. As coisas não estão a ficar mais simples, e o Pedro diz que estão a ficar mais divertidas. Concordo que temos mais opções e mais brinquedos com que brincar. Cada um implica compromissos que as equipas precisam de compreender antes de avançarem. ### Conclusão final Os modelos fundacionais são a ferramenta mais recente no combate à fraude. Não substituem dados de qualidade. O conselho do Pedro é ter clareza sobre o que se pretende otimizar, respeitar as limitações e deixar que os resultados determinem a escolha. Se estiver a escolher entre modelos tradicionais e modelos fundacionais, comece pela qualidade dos dados que lhes servem de base. Estamos apenas a começar a compreender como estes modelos transformam o trabalho e acredito que as melhores equipas os vão encarar como uma opção promissora a testar, e não como uma solução definitiva. Recursos e links Ainda não quer encerrar a conversa sobre o meu tema favorito — e, espero, o seu também? Subscreva a newsletter The Saturday Fraud Strategist. Conecte-se com Pedro Sanzovo | LinkedIn Gerente-geral e líder de prevenção a fraudes na Plaid Conecte-se com Chen Zamir | LinkedIn Apresentador do The Saturday Fraud Strategist Ajudando fintechs a criar defesas mais inteligentes contra fraudes Coautor de “O guia de IA para quem combate fraudes”