abril 8, 2026 · 5min read
RiskFM: De Modelos Personalizados à Inteligência de Fundação
Imagine chegar ao balcão de uma cafeteria e dizer: “Eu gostaria de um…”. É relativamente fácil adivinhar a próxima palavra. Um café com leite, um expresso ou um chá são previsões seguras. É assim que os grandes modelos de linguagem (LLMs), como o ChatGPT e o Gemini, conseguem “resolver” padrões e previsões de palavras e imagens tão rapidamente: eles construíram uma base (foundation) sólida que torna fácil antecipar o que vem a seguir na sequência.
Embora a linguagem tenha um alfabeto fixo, prever qual transação um consumidor realizará a seguir é muito mais difícil de acertar. Você pode estar comprando um café agora, mas sua próxima compra pode variar de um biscoito a uma corrida de aplicativo até o aeroporto. Uma ampla gama de fatores, incluindo hábitos de consumo, limites ou métodos de pagamento, torna a antecipação da atividade seguinte um desafio maior.
É por isso que a Feedzai desenvolveu o Risk Foundation Model (RiskFM), o primeiro Modelo de Fundação Tabular do setor, construído especificamente para a tomada de decisão de risco em todo o ciclo de vida do crime financeiro, abrangendo múltiplos casos de uso, incluindo fraude, antilavagem de dinheiro (AML) e identidade. Atualmente em fase de pesquisa, o RiskFM já demonstrou a capacidade de aprender autonomamente padrões de comportamento em vastos conjuntos de dados, alcançando paridade com modelos construídos sob medida já no primeiro dia, sem o esforço da engenharia de atributos (feature engineering) intensiva em mão de obra.
Neste post, mergulharemos em como o RiskFM oferece aos bancos a próxima geração de detecção de fraude liderada por IA e por que essa abordagem é a chave para superar a próxima geração de ameaças.
Principais Conclusões
- Enquanto os modelos de linguagem (LLMs) podem aprender a base da linguagem, facilitando a compreensão e a previsão de uma sequência, o risco financeiro é significativamente mais desafiador devido à enorme variedade de métodos de pagamento e hábitos de consumo.
- A construção de modelos tradicionais de machine learning geralmente exige um investimento significativo de tempo e trabalho manual. Além disso, por serem treinados com dados de uma única instituição, eles falham em detectar padrões de ameaças globais emergentes.
- O RiskFM da Feedzai, atualmente em estágio de pesquisa, é projetado exclusivamente para dados transacionais tabulares. Ele alcançou paridade com modelos sob medida altamente ajustados, eliminando meses de limpeza de dados e trabalho de engenharia de atributos.
- O RiskFM reduz drasticamente o “time to value” (tempo para gerar valor) ao eliminar gargalos operacionais, permitindo que os bancos interrompam fraudes de forma mais eficaz com menos esforço inicial.
Uma Corrida Contra Criminosos Financeiros Adaptáveis
A linguagem segue um roteiro previsível. O crime financeiro, por outro lado, é um alvo caótico e em constante movimento. Os criminosos não seguem as leis e, quando descobertos, inventam novas estratégias.
Essa realidade adversária significa que o comportamento “normal” de um cliente não é apenas difícil de adivinhar; ele está sendo constantemente imitado ou manipulado por fraudadores sofisticados. Como os dados transacionais são muito mais ruidosos do que uma frase, as defesas atuais são forçadas a correr atrás de ameaças que evoluem mais rápido do que o software destinado a interrompê-las.
Hoje, construir um modelo de machine learning confiável exige um trabalho considerável: cientistas de dados devem construir manualmente “features” para buscar padrões específicos, como velocidade de transação ou saltos geográficos rápidos. É um processo demorado que dificulta a adaptação ágil às mudanças nos padrões de fraude.
Além do esforço técnico, esses modelos enfrentam o desafio de um “campo de visão” estreito, pois são treinados isoladamente. Essa visão limitada impede que os bancos enxerguem padrões globais de ameaças. Quando um novo padrão é identificado, os criminosos já podem ter mudado de tática.
RiskFM Oferece um Novo Paradigma para Decisões
Dito de outra forma, o machine learning tradicional exige que cientistas de dados identifiquem, definam e codifiquem padrões antes que o modelo possa aprender com eles. Se um padrão não é capturado, o modelo permanece cego a ele. O RiskFM aprende esses padrões autonomamente a partir dos próprios dados, revelando sinais que nenhuma pessoa antecipou e nenhum conjunto de regras capturaria.
Como o RiskFM entende a estrutura fundamental do risco, ele cria valor imediato que elimina meses de engenharia manual. O modelo é construído para tomar decisões autônomas complexas, garantindo que, embora a inteligência nos bastidores seja massiva, o cliente legítimo não sinta fricção.
Como o RiskFM Muda o Jogo
O RiskFM está reimaginando como defendemos o ecossistema financeiro:
- Do Manual ao Autônomo: Utiliza aprendizado auto supervisionado para identificar padrões complexos de comportamento financeiro e assinaturas matemáticas profundas de risco.
- Valor Imediato: Pesquisas iniciais mostram que o RiskFM atinge paridade com modelos sob medida no “Dia 1”, reduzindo o tempo de interação.
- Inteligência Interinstitucional: Treinado em vastos conjuntos de dados multi-institucionais, permitindo descobrir ameaças sofisticadas. Ele compartilha o conhecimento da ameaça sem nunca compartilhar os dados pessoais subjacentes.
- Barreira de Entrada Menor: Ao remover gargalos operacionais, permite que bancos parem mais fraudes com menos esforço inicial.
Moveremos a defesa da era da construção manual para um mundo onde seus sistemas já “falam a língua do risco”.
O RiskFM está em fase de P&D e estamos buscando parceiros pioneiros (early adopters). Se você está pronto para moldar o futuro da inteligência autônoma, convidamos sua instituição a validar esses frameworks contra riscos do mundo real.
Additional Resources
FAQs about RiskFM
What is RiskFM?
RiskFM (Risk Foundation Model), developed by Feedzai, is the industry’s first Tabular Foundation Model that spans across fraud, anti-money laundering (AML), and broader risk decisions across the entire financial crime lifecycle. It is purpose-built for financial risk decisioning and uses AI to autonomously learn complex behavior patterns across vast datasets. Early research shows it can achieve parity with custom-built fraud detection models immediately, eliminating time normally required for manual feature engineering in model building.
How is RiskFM different from traditional fraud detection models?
Traditional models often require investments of time and manual labor from data scientists to identify and hardcode patterns before they can learn. They are usually trained on isolated, single-institution data that risk overlooking broader global threats. RiskFM differs by autonomously discovering patterns using self-supervised learning and is trained across multi-institutional datasets. This approach creates immediate, out-of-the-box value by reducing time spent on feature engineering and operational bottlenecks.
Is RiskFM ready to use today?
No, RiskFM is not ready for general use today. It is currently in its research and development stage. Feedzai is actively refining this breakthrough innovation alongside leading institutions. The company is seeking partners and invites interested parties to become a RiskFM early adopter. This partnership model aims to validate the frameworks against real-world risks and help shape the future of autonomous intelligence. Contact riskfm-interest@feedzai.com if your organization is interested in becoming an early adopter.
What type of data does RiskFM analyze?
RiskFM is uniquely designed to analyze tabular transaction data, making it the industry’s first Tabular Foundation Model that spans across fraud, anti-money laundering (AML), and broader risk decisions across the entire financial crime lifecycle. This model is purpose-built to address the unique challenges of financial risk decisioning. It autonomously learns complex behavioral patterns across vast, multi-institutional datasets, leveraging collective intelligence without sharing underlying personal data.
Toda a experiência e os insights vêm de Feedzaians humanos, mas podemos tirar proveito da inteligência artificial para aprimorar a formulação ou a eficiência. Boas-vindas ao futuro.