Pesquisadores propõem raciocínio rastreável com LLM para detectar fraude de pedidos falsos em plataformas O2O
Um artigo científico apresenta o DeepScrub, framework que combina aprendizado por reforço e LLMs para detectar fraude de "pedidos falsos" em plataformas online-to-offline, produzindo não apenas uma decisão mas uma cadeia de raciocínio auditável. Em piloto real de quatro semanas, o sistema atingiu 91,8% de precisão e 88,5% de recall, superando revisores humanos de primeira linha e reduzindo em 94% o volume de revisão manual.
O trabalho ataca um problema clássico de antifraude em marketplaces: pedidos fraudulentos (por exemplo, simulação de compra/entrega para obter reembolsos, bônus ou avaliações falsas) costumam ser detectados por modelos de features desenhadas por especialistas, que funcionam como caixas-pretas difíceis de auditar quando um caso é contestado. O DeepScrub propõe resolver isso combinando três peças: um módulo de "unificação semântica" que converte sinais heterogêneos de risco (dispositivo, pagamento, comportamento) em texto que um LLM consegue interpretar; pré-treinamento contínuo em corpora de controle de risco, com recompensas de aprendizado por reforço que avaliam tanto o acerto da decisão quanto a qualidade do raciocínio; e um mecanismo chamado SURE (SUggest-REflect), que incorpora feedback de especialistas humanos e autoverificação do próprio modelo para refinar iterativamente a cadeia de raciocínio.
O resultado prático mais relevante para quem opera antifraude é a rastreabilidade: em vez de devolver apenas um score, o sistema entrega uma explicação passo a passo de por que um pedido foi marcado como suspeito, o que facilita auditoria interna, resposta a contestações de usuários e conformidade regulatória — um ponto sensível em qualquer operação financeira que precisa justificar bloqueios e chargebacks.
Outro achado interessante é que o modelo especializado de 8 bilhões de parâmetros, ajustado ao domínio de risco, superou um modelo genérico de 32 bilhões de parâmetros, indicando que adaptação de domínio pode pesar mais que o tamanho bruto do modelo — uma lição valiosa para equipes de dados que avaliam custo-benefício de rodar LLMs grandes em produção para scoring de risco em tempo real.
Como qualquer estudo aplicado a um único dataset e a um único tipo de plataforma (O2O), a generalização para outros domínios de fraude — como fraude de pagamento, PIX ou estelionato em e-commerce tradicional — ainda precisa ser validada, mas a arquitetura conceitual (sinais unificados semanticamente + raciocínio auditável via RL) é diretamente transponível para outros pipelines de risco que hoje sofrem do mesmo problema de opacidade.