Para agentes de IA: um índice de documentação está disponível em https://www.mongodb.com/pt-br/docs/llms.txt — as versões de markdown de todas as páginas estão disponíveis anexando .md a qualquer caminho de URL.

Detecção de fraude com MongoDB

Essa arquitetura de referência descreve como implementar a detecção de fraudes em tempo real no MongoDB Atlas usando dados de transações operacionais, vector embeddings e dynamic models de risco.

A arquitetura ingere transações, gera incorporações para capturar padrões comportamentais, recupera eventos históricos semelhantes com o MongoDB Atlas Vector Search e combina pontuações de similaridade com modelos de risco determinísticos para alcançar uma decisão de aprovação, step-up ou recusa. model de risco e listas de observação são armazenados em coleções MongoDB. Os Change Streams do MongoDB propagam atualizações dos serviços de rastreamento em tempo real, para que as decisões de produção sempre usem a lógica mais recente.

  1. Início da transação

    Um canal de pagamento (por exemplo, autorização de cartão, transferência de conta para conta ou carimbo digital) envia uma solicitação de transação para a API de detecção de fraudes. A solicitação inclui identificadores de cliente , dados do fornecedor, metadados de canal, documentos pessoais do dispositivo, informações de IP e atributos básicos da transação, como valor, moeda e data e hora.

  2. Enriquecimento e persistência da transação

    O serviço de detecção de fraudes valida a solicitação e grava um document de transação em uma coleção de transações no MongoDB Atlas. Cada document incorpora detalhes do mercador, localização GeoJSON, informações do dispositivo e uma estrutura risk_assessment aninhada que armazena pontuações, sinalizadores e diagnósticos.

  3. Geração de embedding de padrões comportamentais

    O serviço gera uma vector embedding que captura aspectos categóricos e comportamentais da transação, como categoria do fornecedor, canal, impressão digital do dispositivo, faixa de IP, padrões temporais e quaisquer campos narrativos. Ele armazena essa embedding junto com os campos operacionais no mesmo transaction document.

  4. Pesquisa vetorial de padrões de fraude semelhantes

    O serviço emite uma query $vectorSearch em relação a um índice do MongoDB Atlas Vector Search na coleção de transações. A query usa o embedding recém-gerado para recuperar transações anteriores com comportamento semelhante, incluindo eventos que não correspondem a regras explícitas, mas compartilham padrões com fraudes conhecidas.

  5. Avaliação do model de risco determinístico

    Em paralelo com a pesquisa vetorial na etapa anterior, o mecanismo de risco avalia modelos baseados em regras e no estilo scorecard sobre atributos numéricos e estruturados que permanecem fora do embedding, como quantidade, alterações de equilíbrio, contadores de velocidade e restrições geoespaciais. Essa separação mantém os limites numéricos e os limites regulatórios na lógica determinística, enquanto as incorporações se concentram na similaridade comportamental.

  6. agregação de pontuação de risco e tomada de decisão

    O serviço combina pontuações de similaridade vetorial com pontuações de risco determinísticas em uma avaliação de risco geral para a transação. Com base em limites e políticas configurados, o mecanismo:

    • Aprova transações de baixo risco e as retorna ao canal de pagamento.

    • Recusa transações de alto risco

    • Emite um desafio step-up (por exemplo, 3-D Secure, OTP ou biométrico) para casos limite e, opcionalmente, encaminha os casos de desafio recusados ou com falha para uma fila de revisão manual para acompanhamento do examinador.

    A decisão final e os diagnósticos de suporte são escritos de volta no subdocumento index_assessment do registro de transações.

  7. Atualizações do model de risco em tempo real com Change Streams

    Modelos de risco, listas de observação e documentos de configuração são armazenados em uma coleção risk_models dedicada no MongoDB Atlas. Os MongoDB Change Streams transmitem eventos de alteração, incluindo inserções, atualizações, substituições e exclusões dessas coleções para os serviços de detecção de fraudes e mecanismo de risco. Quando os analistas ativam ou ajustam um model, todos os mecanismos de triagem recebem a alteração em milésimos de segundo e aplicam regras atualizadas a novas transações, sem atrasos em lote ou invalidação manual de cache. Os tokens de retomada permitem que os serviços reiniciem o processamento sem perder as atualizações após falhas ou reinicializações.

  8. Auditar, monitoramento e em processamento

    O sistema principal de pagamentos processa transações aprovadas, enquanto as transações recusadas ou contestadas permanecem sinalizadas na coleção de transações com diagnósticos de risco detalhados. Os analistas e os trabalhos de monitoramento fazem query na mesma coleção para acompanhar o desempenho do model, falsos positivos e padrões de fraude recentes ao longo do tempo.

Use o MongoDB Atlas como a plataforma de dados moderna para detecção de fraudes, hospedando dados operacionais, analíticos e de configuração em um único cluster gerenciado.

O MongoDB Atlas mantém todos os dados necessários para uma decisão de fraude perto da transação, sem extração, transformação e carga (ETL) para armazenamentos secundários para análise ou pesquisas.

abordagem proposta

  • Armazene dados de configuração de cliente, transação e risco usados na tomada de decisões em tempo real.

  • Ofereça suporte a cargas de trabalho secundárias, como análises, painéis e pesquisas sem ETL.

Notas de implementação

  • Comece com um Atlas M10 ou superior para cargas de trabalho de produção ou demonstração em grande escala.

  • Use conjuntos de réplicas (padrão do Atlas ) para ativar o Change Streams e atender a cargas de trabalho de leitura simultâneas.

Crie um esquema de document que mantenha todos os dados necessários para uma decisão de fraude próximos à transação e, ao mesmo tempo, permita visualizações centralizadas na entidade e na configuração.

abordagem proposta

  • Collection de entidades/clientes

    • Armazene individuais e organizações com um perfil de 360grau: identificadores, atributos Conheça seu Cliente (KYC), análises comportamentais, avaliações de risco e incorporações opcionais para similaridade de entidades.

    • Incorpore ou faça referência a impressão digital de dispositivos, localizações usuais e padrões de comportamento para oferecer suporte a verificações de anomalias como "novo dispositivo" ou "localização incomum".

  • Coleção "transações"

    • Representa cada transação financeira como um document autônomo com valor, moeda, mercado, localização GeoJSON, informações do dispositivo e um subdocumento risk_assessment incorporado (pontuação, nível, sinalizadores, diagnóstico).

      • Esse padrão permite que o mecanismo de fraude escreva decisões e diagnósticos diretamente no registro de transações que as FERRAMENTAS query.
  • Modelos de risco/coleção de configurações

    • Armazene model de risco versionados como document com fatores, pesos, limites e métricas de desempenho. Use esta coleção como a única fonte de configuração para pontuação de fraude.

Para obter informações mais detalhadas, consulte: abordagem do modelo de dados – mitigação de ataques financeiros.

Use o MongoDB Atlas Vector Search para detectar transações que se comportam como padrões de fraude conhecidos ou eventos históricos de alto risco, mesmo quando não correspondem a regras explícitas.

abordagem proposta

  • Armazene incorporações de alta dimensionamento em documentos de transações, capturando sinais comportamentais como categoria do fornecedor, canal, dispositivo, padrão temporal e texto explicativo.

  • Recupere as transações históricas mais semelhantes para cada novo evento usando $vectorSearch e, em seguida, insira pontuações de similaridade no mecanismo de risco.

Notas de implementação

  • Crie um índice de vetor (por exemplo, transaction_vector_index) no campo vector_embedding na coleção transactions.

  • Gere incorporações consistentemente tanto para transações armazenadas quanto para novas transações a bordo que você precisa comparar.

Implemente um serviço de pontuação de fraudes que consome documentos MongoDB e combina contexto de entidade, regras determinísticas e similaridade vetorial em uma única pontuação de risco. Nenhuma estratégia de detecção única captura todas as fraudes. A pontuação em camadas reduz falsos positivos e falsos negativos.

abordagem proposta

  • Carregue o perfil do cliente ou entidade do MongoDB para obter linhas de base e contexto comportamentais.

  • Execute verificações independentes para:

    • Anormalidade de valor em relação aos valores típicos para este cliente.

    • Anormalidade de localização usando a distância geoespacial de locais usuais.

    • Anormalidade do dispositivo com base em dispositivos conhecidos e faixas IP.

    • Anormalidade de velocidade usando contagens em uma janela de tempo móvel.

    • Semelhança comportamental usando resultados do Vector Search (opcional, dependendo do escopo).

  • Combine as pontuações dos fatores e uma pontuação de risco do cliente de linha de base em uma pontuação de risco 0–100 e mapeie para os níveis low, medium ou high.

Notas de implementação

  • Encapsule essas verificações em um serviço dedicado (por exemplo, FraudDetectionService) em vez de incorporar lógica em drivers, para que você possa reutilizá-la em canais e cargas de trabalho.

Exponha APIs de serviço que envolvem o mecanismo de risco e os padrões de acesso ao MongoDB .

abordagem proposta

  • Fornece uma operação persist-and-score que grava transações e seus risk_assessment document no MongoDB (por exemplo, um equivalente a POST /transactions).

  • Forneça uma operação de avaliação sem monitoração de estado que execute o mecanismo de risco sem persistir a transação, o que é útil para simulações ou verificações de pré-autorização.

  • Ofereça pontos de extremidade de leitura para procurar transações recentes de alto risco, filtrar por sinalizadores e recuperar históricos no nível do cliente para pesquisas.

Notas de implementação

  • Use OpenAPI ou similar para descrever esses pontos de extremidade para que as equipes de canal (móveis, web, bancos principais) possam se integrar de forma consistente.

  • Mantenha as queries do MongoDB (filtros, agregações, $vectorSearch) em abstrações da camada de serviço, não em controladoras.

Use o MongoDB Change Streams e uma coleção de configuração dedicada para gerenciar e distribuir alterações no modelo de risco em tempo real.

abordagem proposta

  • Persistir modelos de risco como documentos completos, incluindo definições de fatores, pesos, limites e status (por exemplo, active, draft, archived).

  • Forneça uma API e IU de administração de model para que as equipes de risco possam ativar e versionar os models sem alterações de código.

  • Use o Change Streams para enviar alterações de model para serviços de fraude e UIs por WebSockets ou similar, para que todos os componentes apliquem o mesmo active model imediatamente.

Integre um provedor de embedding (por exemplo, AWS Bedrock) para gerar representações vetoriais para transações e padrões de fraude.

abordagem proposta

  • Gere embeddings a partir do contexto da transação (valor, fornecedor, canal, dispositivo, text fields) e armazene-as no MongoDB como parte do esquema de document.

  • Gere embedding para descrição ou tipologias de padrão de fraude e armazene-as em uma coleção fraud_patterns, permitindo a pesquisa vetorial baseada em padrão.

Notas de implementação

  • O padrão suporta qualquer fornecedor que retorne incorporações determinísticas e de alta dimensionamento compatíveis com o Atlas Vector Search.
  • Latência versus complexidade do model: a geração de embedding e a pesquisa vetorial adicionam latência ao caminho da decisão. Para canais com orçamentos de latência rigorosos, você pode simplificar incorporações, reduzir a dimensionalidade ou aplicar a correspondência semântica somente a segmentos de alto valor ou alto risco, enquanto executa regras determinísticas puras para tráfego de baixo risco.

  • Tamanho do índice e sobrecarga operacional: índices de vetores de alta dimensionamento e documentos de transações avançados aumentam os requisitos de armazenamento e computação. Planeje o dimensionamento do Atlas cluster, a configuração de índice e as estratégias de arquivamento para equilibrar a qualidade da recuperação, o desempenho da carga de trabalho operacional e o custo. Use índices padrão e índices 2dsphere para queries operacionais e regras geoespaciais e reserva a pesquisa vetorial para cenários em que a similaridade comportamental adiciona valor de detecção claro.

  • complexidade do gerenciamento de configurações: o streaming de atualizações do model de risco por meio de change streams melhora a capacidade de resposta, mas introduz complexidade no gerenciamento e nos testes de configurações. Você deve projetar fluxos de trabalho de promoção, etapas de validação e procedimentos de rollback claros para novos model para que as atualizações em tempo real não propaguem regras incorretas para mecanismos de triagem de produção.

  • Limitações de escopo: essa arquitetura se concentra na detecção de fraudes em tempo real para fluxos transacionais. Use padrões separados, mas relacionados, para verificação de identidade, proteção contra a limpeza de ativos (AML) e integração com o KYC e gerenciamento de casos de longa duração, e conecte-os por meio de coleções compartilhadas ou pontos de integração em vez de sobrecarregar o pipeline de fraudes com todos os casos de uso de violações de valores.

Para implementar essa arquitetura de ponta a ponta, visite a solução MongoDB Atlas Architecture Center Mitigação de filmes financeiros com o MongoDB Atlas. Use este guia para configurar seu ambiente e siga as instruções passo a passo para implantar um simulador de transações, uma interface web e serviços de suporte para detecção de fraudes e gerenciamento de model de risco. A solução também contém recursos adicionais para a mitigação de índices decrimes financeiros.