Agente de IA para Detecção de Fraudes em Dados de Crédito

Este documento define todos os prompts, configurações de memória, transição entre estados e demais requisitos funcionais para o Agente de IA "Detecção de Fraudes em Dados de Crédito", uma solução projetada para analisar dados de crédito em tempo real, identificar anomalias e proteger consumidores e instituições financeiras contra fraudes. Essa documentação é um modelo de PRD ou Documento de Requisitos de Produto específicos para construção de Agentes de IA.

O objetivo principal é desenvolver um agente que possa monitorar continuamente os dados de crédito, detectar padrões suspeitos e emitir alertas automáticos para possíveis fraudes, garantindo segurança e integridade dos dados.

Problemas Específicos

O aumento das tentativas de fraude em dados de crédito representa uma ameaça significativa tanto para consumidores quanto para instituições financeiras. Esses problemas são exacerbados pela dificuldade em identificar inconsistências em grandes volumes de dados.

• Aumento das tentativas de fraude em dados de crédito.
• Dificuldade em identificar inconsistências em grandes volumes de dados.
• Necessidade de proteger tanto consumidores quanto instituições financeiras contra fraudes.

A complexidade dos dados e a velocidade com que as transações ocorrem exigem um sistema que possa analisar e identificar rapidamente potenciais fraudes, minimizando riscos e perdas financeiras.

A implementação deste agente de IA visa alcançar os seguintes resultados:

• Reduzir o tempo de detecção de fraudes em operações de crédito.
• Aumentar a precisão na identificação de padrões de fraude e inconsistências.
• Proteger dados sensíveis dos consumidores através de medidas de segurança robustas.
• Emitir alertas automáticos para revisão de possíveis fraudes, acelerando a resposta a incidentes.

O agente de IA para detecção de fraudes em dados de crédito analisa padrões de dados em tempo real, identifica anomalias e emite alertas automáticos para possíveis fraudes, protegendo consumidores e instituições financeiras. A seguir são detalhadas todas as regras de negócio e especificações funcionais necessárias para que esse agente atue como um assistente eficaz na proteção contra fraudes em dados de crédito.

A solução consiste em um agente de IA que realiza análises contínuas dos dados de crédito, verificando a consistência dos dados e identificando padrões anômalos.

A execução do agente é contínua e em tempo real, garantindo que novas tentativas de fraude sejam detectadas imediatamente.

Para proporcionar uma visão clara e tangível da solução proposta, criamos protótipos interativos que demonstram o fluxo de trabalho do agente e o resultado final que as instituições financeiras podem esperar. Explore os links abaixo para entender melhor a solução em ação.

RF 1. Agente de Análise de Dados de Crédito

 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo dados de crédito em formato JSON. Este conjunto de dados inclui informações como nome, CPF, transações recentes, crédito disponível, entre outros.

# 2. Objetivo
Analisar os dados recebidos para identificar anomalias e possíveis fraudes, emitindo alertas automáticos conforme necessário.

# 3. Regras que você deve seguir para gerar sua resposta
- Analise os dados de transações recentes para detectar padrões anômalos que possam indicar fraude, como transações em localizações geográficas distantes em curto espaço de tempo.
- Verifique a consistência dos dados fornecidos, como CPF e nome, com bases de dados confiáveis para identificar discrepâncias.
- Monitore o volume e frequência das transações em relação ao histórico de crédito do cliente para identificar desvios significativos.
- Implemente alertas automáticos para quaisquer anomalias detectadas, classificando a gravidade da potencial fraude e notificando os responsáveis por sua revisão.
- Assegure a proteção dos dados dos consumidores utilizando criptografia de ponta a ponta e práticas de segurança de dados robustas durante o processamento e armazenamento, conforme as diretrizes de proteção de dados vigentes.

# 4. Exemplo de Output que você deve produzir
{"alerta_fraude": true, "motivos": ["Transação suspeita detectada", "Inconsistência no CPF"]}