Detecção de fraudes em seguros automotivos com aprendizado de máquina e inteligência artificial explicável (XAI) (2025)
- Authors:
- Autor USP: RODRIGUES, EDUARDO BARBANTE - ICMC
- Unidade: ICMC
- Subjects: APRENDIZADO COMPUTACIONAL; ECONOMIA; SEGURO DE AUTOMÓVEIS; INTELIGÊNCIA ARTIFICIAL
- Language: Português
- Abstract: O setor de seguros é estratégico para a economia brasileira, mas enfrenta desafios relevantes devido à incidência de fraudes. Em 2024, o Sistema de Quantificação de Fraudes da CNseg registrou perdas de R$ 700,64 milhões em fraudes comprovadas no ramo de Automóveis, evidenciando a necessidade de aperfeiçoar os mecanismos de detecção. Este trabalho propõe e avalia um sistema de detecção de fraudes em seguros automotivos baseado em aprendizado de máquina, integrado a três perspectivas complementares: desempenho preditivo, viabilidade econômica e interpretabilidade das decisões. Utiliza-se o conjunto de dados público Fraud Oracle Dataset (15,420 registros, 33 variáveis e cerca de 6% de fraudes). A metodologia envolve engenharia de atributos avançada — incluindo detecção de anomalias via Isolation Forest e target encoding — e técnicas de reamostragem baseadas em SMOTE para tratamento do desbalanceamento. São avaliados algoritmos de Gradient Boosting e Random Forest, com otimização bayesiana de hiperparâmetros via Optuna e ajuste de limiar de decisão. A seleção do modelo utiliza um score composto por MCC, G-Mean e Kappa, priorizando robustez em cenários desbalanceados. Os resultados indicam a superioridade dos modelos de gradient boosting em relação aos baselines avaliados. O modelo selecionado (CatBoost + SMOTEENN) apresenta bom equilíbrio entre detecção de fraudes e controle de falsos positivos, além de viabilidade econômica robusta, com retorno sobre investimento significativamente superior às estratégias de referência. A análise de interpretabilidade via SHAP mostra que a variável de culpa do segurado é o preditor dominante, em consonância com a lógica de negócio do setor. Conclui-se que a combinação de algoritmos de ensemble com técnicas de Inteligência Artificial Explicável (XAI) configura uma solução eficaz, economicamente viável e auditável, capaz de reduzir perdas financeiras e atender aosrequisitos de governança e tomada de decisão das seguradoras.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2025
-
ABNT
RODRIGUES, Eduardo Barbante. Detecção de fraudes em seguros automotivos com aprendizado de máquina e inteligência artificial explicável (XAI). 2025. Trabalho de Conclusão de Curso (MBA) – Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos, 2025. Disponível em: https://bdta.abcd.usp.br/directbitstream/7431ce96-e5a0-4993-8795-fde3c5d8ee65/Eduardo_Barbante__Rodrigues_TCC_2025.pdf. Acesso em: 13 mar. 2026. -
APA
Rodrigues, E. B. (2025). Detecção de fraudes em seguros automotivos com aprendizado de máquina e inteligência artificial explicável (XAI) (Trabalho de Conclusão de Curso (MBA). Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos. Recuperado de https://bdta.abcd.usp.br/directbitstream/7431ce96-e5a0-4993-8795-fde3c5d8ee65/Eduardo_Barbante__Rodrigues_TCC_2025.pdf -
NLM
Rodrigues EB. Detecção de fraudes em seguros automotivos com aprendizado de máquina e inteligência artificial explicável (XAI) [Internet]. 2025 ;[citado 2026 mar. 13 ] Available from: https://bdta.abcd.usp.br/directbitstream/7431ce96-e5a0-4993-8795-fde3c5d8ee65/Eduardo_Barbante__Rodrigues_TCC_2025.pdf -
Vancouver
Rodrigues EB. Detecção de fraudes em seguros automotivos com aprendizado de máquina e inteligência artificial explicável (XAI) [Internet]. 2025 ;[citado 2026 mar. 13 ] Available from: https://bdta.abcd.usp.br/directbitstream/7431ce96-e5a0-4993-8795-fde3c5d8ee65/Eduardo_Barbante__Rodrigues_TCC_2025.pdf
Download do texto completo
| Tipo | Nome | Link | |
|---|---|---|---|
 |
Eduardo_Barbante__Rodrigu... | Direct link |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
