Mitigação de Crimes Financeiros com o MongoDB Atlas

Monitoramento de transações e mecanismo de pontuação de risco

Objetivo: detecção de padrão de fraude semântica com pesquisa vetorial

• Use o MongoDB Atlas Vector Search para identificar transações que se comportam como padrões de fraude conhecidos, mesmo quando não correspondem a uma regra explícita.

• Gere incorporações a partir dos aspectos qualitativos e comportamentais de cada transação, como:

  • Categoria e descrição do comerciante

  • Impressões digitais de canais e dispositivos

  • Intervalos de IP e informações de ASN

  • Padrões temporais, como sequências de hora do dia ou comportamento da sessão

  • Campos narrativos ou notas de texto livre, se aplicável

• Armazene essas incorporações de 1536 dimensões nos mesmos documentos de transação que contêm seus dados operacionais.

• Mantenha os recursos numéricos de alto sinal, como quantidade bruta, alterações de saldo e contadores de velocidade simples, fora das incorporações e avalie-os com modelos baseados em regras ou scorecards. Essa separação permite que você:

  • Use a pesquisa vetorial para revelar comportamentos semanticamente semelhantes que ultrapassam limites ou regras simples.

  • Use regras determinísticas e modelos de risco para impor limites numéricos e restrições regulatórias.

• Ao filtrar uma nova transação, gere uma incorporação e faça uma query no MongoDB Atlas com $vectorSearch.

  • O sistema retorna transações semanticamente semelhantes, incluindo aquelas que burlam regras estáticas, mas que apresentam comportamento semelhante a fraudes anteriores.

  • Combine pontuações de similaridade vetorial com pontuações numéricas de risco para criar um pipeline de decisão de risco unificado.

Gerenciamento de Modelos de Risco

Objetivo: inteligência de risco em tempo real com Change Streams

Use streams de alteração do MongoDB para receber notificações instantâneas quando modelos de risco, regras de compliance ou listas de observação mudarem. Transmita atualizações diretamente para seus serviços de detecção de fraudes e gerenciamento de casos, em vez de enquetes ou dependência de invalidação de cache ad hoc.

Quando os analistas ativam um novo modelo de risco, todos os mecanismos de triagem de transações recebem a alteração em milissegundos e aplicam as regras atualizadas ao tráfego de entrada. Isso remove atrasos em lote que permitem que as transações fraudulentas sejam concluídas antes da detecção.

Abra um cursor de fluxo de alterações nos seus modelos de risco ou coleções de configuração, e o MongoDB envia cada operação de inserção, atualização ou substituição para seu aplicativo. Use tokens de retomada para reiniciar o processamento exatamente no ponto de interrupção após reinícios de serviço ou falhas na rede, garantindo que nenhuma atualização seja perdida.

clique para ampliar

Figura 2. Pipeline de detecção de fraudes em tempo real com Change Streams, pesquisa vetorial e modelos de risco

Integração de entidades e gerenciamento de casos

Este módulo tem dois propósitos principais:

Objetivo: resolução de entidades com tecnologia de IA com pesquisa híbrida

Use o operador $rankFusion do MongoDB para combinar várias estratégias de pesquisa durante a integração ou investigação de entidades. Execute o Atlas Search para correspondência de texto difuso e o Atlas Vector Search para similaridade semântica em paralelo. $rankFusion mescla os conjuntos de resultados e classifica as entidades por relevância combinada de similaridade de texto e incorporações.

Para os principais candidatos, percorra as redes de relacionamento e transação usando $graphLookup. O MongoDB retorna o contexto de rede, incluindo conexões de entidades, padrões de transação, identificadores compartilhados e indicadores de risco em um único pipeline de agregação. Isso evita consultar vários sistemas ou realizar junções caras.

Alimentar dados de entidades, resultados de pesquisa e análise de rede em um LLM, como AWS Bedrock Claude —3 SONNET para classificação de risco auxiliada por IA. O modelo avalia sinalizadores de conformidade, padrões de relacionamento, indicadores de comportamento e correspondências da lista de observação para gerar avaliações de risco com pontuações de confiança e ações recomendadas.

Criar documentos de caso automaticamente no MongoDB com resumos de pesquisas gerados por LLM. Isso reduz a gravação manual de relatórios e melhora a consistência da documentação de conformidade.

Objetivo: descoberta de redes com travessia de grafos

Os investigadores frequentemente precisam rastrear redes de lavagem de dinheiro e conexões ocultas entre entidades. Use a etapa de agregação $graphLookup do MongoDB para realizar essa análise de rede diretamente no seu banco de dados operacional, sem necessidade de armazenamento de grafos separado.

• Comece com uma entidade suspeita e percorra relacionamentos recursivamente por meio de associados comerciais, endereços compartilhados, contrapartes de transações ou estruturas corporativas. Cada passagem retorna documentos completos da entidade com análises comportamentais incorporadas, pontuações de risco e sinalizadores de conformidade.

• Filtre relacionamentos por pontuação de confiança, tipo de relacionamento ou limites de risco durante a travessia.

• Descubra redes em vários saltos em milissegundos e, em seguida, combine os resultados do grafo com operações de agregação padrão, como filtro, classificação e agrupamento.

// Multi-hop relationship traversal with MongoDB $graphLookup
db.entities.aggregate([
   {
      $match: { entityId: 'ENT_12345' },
   },
   {
      $graphLookup: {
         from: 'entity_relationships',
         startWith: '$entityId',
         connectFromField: 'target_entity_id',
         connectToField: 'source_entity_id',
         as: 'relationship_network',
         maxDepth: 2,
         restrictSearchWithMatch: {
            confidence_score: { $gte: 0.7 },
            relationship_type: {
               $in: [
                  'BUSINESS_ASSOCIATE',
                  'SHARED_ADDRESS',
                  'TRANSACTION_COUNTERPARTY',
               ],
            },
         },
      },
   },
   {
      $lookup: {
         from: 'entities',
         localField: 'relationship_network.target_entity_id',
         foreignField: 'entityId',
         as: 'connected_entities',
      },
   },
   {
      $project: {
         entityId: 1,
         name: 1,
         riskAssessment: 1,
         networkDepth: { $size: '$relationship_network' },
         connectedEntities: {
            $map: {
               input: '$connected_entities',
               as: 'entity',
               in: {
                  id: '$$entity.entityId',
                  name: '$$entity.name.full',
                  riskLevel: '$$entity.riskAssessment.level',
               },
            },
         },
      },
   },
]);

clique para ampliar

Figura 3. Resolução de entidades com MongoDB Search e $graphLookup e gerenciamento de casos com LLM

Relacionamentos entre coleções

O design modela os relacionamentos por meio de uma mistura de referências incorporadas e uma coleção relationships dedicada:

• Documentos de entidades podem incorporar referências a entidades relacionadas em arrays connected_entities.

• Os documentos de transação armazenam campos customer_id que se vinculam a entidades.

• A coleção entity_relationships armazena relacionamentos explícitos com pontuações de confiança, tipos de relacionamento e trilhas de auditoria.

Esse padrão permite a travessia eficiente do grafo com $graphLookup e, ao mesmo tempo, mantém o esquema flexível à medida que surgem novos tipos de relacionamento.

Estratégia de indexação para desempenho

Use os índices de pesquisa do Atlas para suporte à resolução de entidades e fluxos de trabalho investigativos.

• Configure o preenchimento automático em name.full com n‑gramas de borda (2–15 caracteres) para sugestões de nomes em tempo real.

• Configure facetas de string em entityType, nationality, residency e riskAssessment.overall.level para filtrar os resultados da pesquisa.

Use os índices do Atlas Vector Search nos campos de incorporação para permitir a correspondência de similaridade semântica configurando a similaridade de cosseno com vetores com 1536 dimensões para correspondência de entidades e padrões de comportamento. Você pode criar incorporações separadas para dados de identificadores e padrões de comportamento para direcionar casos de uso específicos.

Use índices padrão para cargas de trabalho operacionais:

• Use índices de campo único em entityId, customer_id e timestamp para pesquisas e queries de faixa.

• Use índices 2dsphere em coordenadas de localização para regras de fraude com base em raio.

• Use índices compostos em nível de risco e tipo de entidade para filtros exploratórios comuns.

Documento de exemplo

{
   "_id": ObjectId("674a83b654c7f1b869cb1c2"),
   "customer_id": "CUST_67890",
   "transaction_id": "TXN_54321",
   "timestamp": ISODate("2024-11-15T14:22:36Z"),
   "amount": 2500.75,
   "currency": "USD",
   "merchant": {
      "name": "Global Electronics",
      "category": "electronics",
      "id": "MERCH_123"
   },
   "location": {
      "city": "San Francisco",
      "state": "California",
      "country": "US",
      "coordinates": {
         "type": "Point",
         "coordinates": [
            -122.4194,
            37.7749
         ]
      }
   },
   "device_info": {
      "device_id": "device_abc123",
      "type": "desktop",
      "os": "macOS",
      "browser": "Chrome",
      "ip": "203.0.113.45"
   },
   "transaction_type": "purchase",
   "payment_method": "credit_card",
   "status": "completed",
   "risk_assessment": {
      "score": 78.5,
      "level": "high",
      "flags": [
         "unusual_amount",
         "unexpected_location",
         "velocity_alert"
      ],
      "transaction_type": "suspicious",
      "diagnostics": {
         "customer_base_risk": 35.0,
         "transaction_factors": {
            "amount": 85.0,
            "location": 90.0,
            "device": 0,
            "velocity": 75.0,
            "pattern": 60.0
         }
      }
   },
   "vector_embedding": [
      0.234,
      -0.567,
      0.890, ...
   ]
}