Katherin Lizeth Rodriguez-Tovar, Fernando Gutiérrez-Portela, Ludivia Hernández-Aros
{"title":"Análisis del uso de técnicas supervisadas de aprendizaje automático y profundo en la detección de fraude financiero","authors":"Katherin Lizeth Rodriguez-Tovar, Fernando Gutiérrez-Portela, Ludivia Hernández-Aros","doi":"10.18845/tm.v36i8.6927","DOIUrl":null,"url":null,"abstract":"En el mundo moderno se hace necesario el uso de técnicas, metodologías y acciones en busca de la integración de los diversos avances, herramientas y elementos vigentes para el trabajo conjunto en la solución a las problemáticas que afectan las finanzas de las organizaciones, puesto que ellas hacen que exista una dinámica empresarial, creando valor económico. Teniendo en cuenta lo anterior, en este estudio se analiza la prevención de fraudes empresariales, mediante el uso de técnicas de aprendizaje automático y profundo para generar prevención, tratamiento y resolución a los fraudes llevados a cabo en sistemas del orden financiero. A nivel metodológico, se obtuvo información en bases de datos a nivel documental, con fuentes fidedignas y estudios de caso, donde se prueba la efectividad en el uso de las técnicas anteriormente nombradas en la detección temprana del fraude empresarial.
 Los resultados obtenidos en los documentos consultados expresan que los algoritmos que presentan mayor efectividad en la prevención de estos fraudes son árbol de decisión, C5.0-SVM, Naïve Bayes y Random Forest, con porcentajes de: 92%, 83.15%, 80,4% y 76, 7% respectivamente. Frente al aprendizaje profundo, la literatura mostró que al hacer uso de unidades lógicas aritméticas neuronales y realizando la correcta clasificación de las neuronas iNALU y ReLU el porcentaje de efectividad incrementa en gran proporción.
 En la parte final de este documento se presentan y consolidan resultados y conclusiones, todo en el marco de la temática abordada, además la información recopilada en este documento está debidamente respaldada por los derechos de autor a quien corresponde.","PeriodicalId":22225,"journal":{"name":"Tecnología en Marcha","volume":null,"pages":null},"PeriodicalIF":0.0000,"publicationDate":"2023-10-31","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Tecnología en Marcha","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.18845/tm.v36i8.6927","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 0
Abstract
En el mundo moderno se hace necesario el uso de técnicas, metodologías y acciones en busca de la integración de los diversos avances, herramientas y elementos vigentes para el trabajo conjunto en la solución a las problemáticas que afectan las finanzas de las organizaciones, puesto que ellas hacen que exista una dinámica empresarial, creando valor económico. Teniendo en cuenta lo anterior, en este estudio se analiza la prevención de fraudes empresariales, mediante el uso de técnicas de aprendizaje automático y profundo para generar prevención, tratamiento y resolución a los fraudes llevados a cabo en sistemas del orden financiero. A nivel metodológico, se obtuvo información en bases de datos a nivel documental, con fuentes fidedignas y estudios de caso, donde se prueba la efectividad en el uso de las técnicas anteriormente nombradas en la detección temprana del fraude empresarial.
Los resultados obtenidos en los documentos consultados expresan que los algoritmos que presentan mayor efectividad en la prevención de estos fraudes son árbol de decisión, C5.0-SVM, Naïve Bayes y Random Forest, con porcentajes de: 92%, 83.15%, 80,4% y 76, 7% respectivamente. Frente al aprendizaje profundo, la literatura mostró que al hacer uso de unidades lógicas aritméticas neuronales y realizando la correcta clasificación de las neuronas iNALU y ReLU el porcentaje de efectividad incrementa en gran proporción.
En la parte final de este documento se presentan y consolidan resultados y conclusiones, todo en el marco de la temática abordada, además la información recopilada en este documento está debidamente respaldada por los derechos de autor a quien corresponde.