💳 Detector de Fraude en Transacciones — Puntuación de Anomalías en Tiempo Real

El bosque en sí divide sobre las cuatro características al azar, exactamente como exige el bosque de aislamiento, pero un diagrama de partición solo se puede dibujar en dos dimensiones a la vez, así que la visualización proyecta un árbol representativo sobre el plano importe/velocidad. Las divisiones hechas sobre las características de hora del día o categoría de comerciante siguen ocurriendo dentro de ese árbol — simplemente no dibujan una línea visible en esta proyección 2D, porque no cortan los dos ejes mostrados. El diagrama de dispersión de las transacciones recientes y sus puntuaciones de anomalía codificadas por color, sin embargo, reflejan la puntuación completa de cuatro características, no solo las dos dimensiones representadas.

El control deslizante de número de árboles fija cuántos árboles aleatorizados de forma independiente se promedian al puntuar cada transacción — más árboles reducen la varianza de la puntuación a costa de más cómputo, reflejando el compromiso del mundo real que hacen los sistemas operativos de fraude entre latencia y estabilidad de detección. El control deslizante de velocidad del flujo controla con qué rapidez llegan nuevas transacciones sintéticas; el bosque se reconstruye periódicamente a partir de una nueva submuestra aleatoria de la ventana reciente de transacciones, reflejando cómo los bosques de aislamiento de producción se reentrenan sobre ventanas móviles de datos recientes en lugar de un único lote histórico fijo.

Cada transacción entrante se puntúa contra el bosque actual, y cualquier transacción cuya puntuación de aislamiento cruce el control deslizante de umbral se marca. La simulación también etiqueta cada transacción sintética con una etiqueta oculta de verdad fundamental (si fue generada por el proceso de gasto normal o por uno de los generadores inyectados de fraude/red de fraude) puramente para que el panel de estadísticas pueda mostrar en vivo los recuentos de verdaderos positivos, falsos positivos y falsos negativos — el propio detector nunca ve esta etiqueta, solo las cuatro características numéricas, exactamente como un detector de anomalías no supervisado real que opera sobre tráfico en vivo sin etiquetar.

Los sistemas de producción de fraude con tarjeta suelen combinar detectores de anomalías no supervisados como los bosques de aislamiento con modelos supervisados potenciados por gradiente entrenados con etiquetas de fraude confirmadas, motores de reglas para patrones de fraude conocidos, y análisis de redes basado en grafos para detectar redes de fraude coordinadas a través de muchas tarjetas y comercios. Esta simulación demuestra la mitad no supervisada de bosque de aislamiento de ese pipeline con árboles de partición aleatoria genuinos y puntuación real por longitud de camino, pero sobre datos sintéticos con generadores ajustados a mano en lugar de miles de millones de transacciones históricas reales, así que debe leerse como una demostración del mecanismo de cómo los bosques de aislamiento aíslan valores atípicos, no como un motor de fraude de nivel de producción.