Alternativa correta: B

1. Tema central da questão

O foco está em detecção de anomalias em dados de transações financeiras, um tema fundamental em Sistemas de Informação e Segurança. Saber identificar padrões fraudulentos é essencial para proteger empresas e clientes no contexto de e-commerce.

2. Resumo teórico

Detecção de anomalias visa identificar eventos ou observações que desviam significativamente do comportamento normal dos dados. Em grandes volumes de dados, técnicas de aprendizado não supervisionado são preferidas, pois não dependem de exemplos prévios de fraude.

O Isolation Forest é um algoritmo eficiente para grandes bases, pois "isola" pontos discrepantes rapidamente, não exigindo rótulos prévios. Segundo Chandola et al., 2009 (Anomaly Detection: A Survey), métodos não supervisionados são adequados quando as anomalias são raras ou desconhecidas.

3. Justificativa da alternativa B

B está correta porque propõe o uso de aprendizado não supervisionado com Isolation Forest, que é escalável, eficaz para grandes volumes e não exige conhecimento prévio de todos os tipos de fraude.

4. Análise das alternativas incorretas

A – Regressão linear não é ideal para detecção de anomalias, pois assume relação linear e não identifica desvios complexos ou padrões multivariados.

C – Regras manuais em SQL são limitadas, inflexíveis e não se adaptam a padrões sofisticados de fraude.

D – Aprendizado supervisionado apenas com transações rotuladas perde eficácia, pois fraudes inovadoras podem não estar previamente classificadas.

E – Classificadores tradicionais como Naïve Bayes não são ideais sem contexto comportamental e temporal, que são cruciais para detecção de fraudes sofisticadas.

5. Estratégias de interpretação

Preste atenção a termos como “grande volume”, “padrões incomuns” e “sem rótulos prévios”, pois eles indicam a necessidade de técnicas não supervisionadas. Cuidado com alternativas que sugerem métodos simplistas ou que ignoram a complexidade do problema.

Gostou do comentário? Deixe sua avaliação aqui embaixo!