Evaluación comparativa de modelos de inteligencia artificial para detección de fraude en transacciones digitales

Abstract

La presente investigación evalúa y compara distintos modelos de inteligencia artificial aplicados a la detección de fraude en transacciones digitales, utilizando el dataset IEEE-CIS Fraud Detection. Este conjunto de datos, construido a partir de transacciones reales de comercio electrónico proporcionadas por Vesta Corporation, permitió trabajar con un problema de alta complejidad, caracterizado por una gran cantidad de variables, presencia de valores faltantes, atributos enmascarados y un fuerte desbalance entre transacciones fraudulentas y no fraudulentas. A partir de este contexto, el estudio busca determinar qué enfoques de machine learning presentan mejor desempeño para identificar posibles fraudes y apoyar la prevención de riesgos en entornos transaccionales digitales. La metodología se estructuró bajo el enfoque CRISP-DM, considerando etapas de comprensión del problema, exploración y preparación de datos, reducción de dimensionalidad, análisis no supervisado y entrenamiento de modelos predictivos. Durante el proceso se realizó limpieza del dataset, tratamiento de variables numéricas y categóricas, escalamiento, codificación dummy, aplicación de PCA y segmentación mediante K-Means. Posteriormente, se implementaron y compararon modelos lineales, distintos modelos de clasificación supervisada y una red neuronal desarrollada con TensorFlow y Keras en lenguaje de programación Python. La evaluación se realizó mediante matrices de confusión y métricas como accuracy, recall, precision, specificity, F1-score y ROC-AUC, priorizando aquellas más adecuadas para bases desbalanceadas. Los resultados muestran que los modelos más flexibles fueron los más efectivos para detectar fraude. En particular, la red neuronal obtuvo el mejor desempeño global sobre la base completa, destacando por su mayor recall, ROC-AUC y equilibrio general entre métricas. Random Forest se posicionó como el mejor modelo tradicional, combinando buen rendimiento predictivo con mayor interpretabilidad a través de la importancia de variables. La investigación demuestra que la inteligencia artificial puede ser una herramienta útil para apoyar la detección temprana de fraudes digitales, siempre que los modelos sean evaluados con métricas adecuadas, datos representativos y una validación previa antes de su aplicación en contextos reales.