Detecção Eficiente de Lavagem de Dinheiro por meio de Priorização Baseada em Grafos e Redes Neurais em Grafos

Descrição

A lavagem de dinheiro permanece como um dos desafios mais críticos enfrentados por instituições financeiras e órgãos reguladores em todo o mundo. O crescimento acelerado de pagamentos eletrônicos e serviços financeiros digitais ampliou tanto a escala quanto a complexidade das interações transacionais, expandindo o espaço para esquemas que exploram cadeias de transferências, intermediários e fragmentação temporal de valores. No monitoramento operacional Anti-Money Laundering (AML), a tarefa central não é simplesmente classificar transações como lícitas ou ilícitas, mas priorizar um conjunto restrito de transferências suspeitas para investigação sob rigorosas restrições de capacidade de revisão e computação. Neste projeto de P&D, será desenvolvido uma abordagem de duas etapas que: (i) aprende um ranking de risco em nível de transação sobre um multigrafo transacional dirigido utilizando encoders baseados em Redes Neurais em Grafos (GNNs) com decodificador de arestas; e (ii) transforma o prefixo top-k inspecionado em casos investigáveis por meio da extração de componentes fracamente conectados e adição controlada de evidências contextuais via indução de subgrafos. A proposta, desenvolvida em parceria com a empresa BRIKZ TECNOLOGIA LTDA, busca equilibrar alto desempenho preditivo, escalabilidade computacional e usabilidade investigativa, garantindo que os modelos possam ser aplicados em cenários operacionais reais com restrições de orçamento de inspeção explícitas.