1. Propósito e Escopo
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 Informações de Crédito". Essa documentação é um modelo de PRD ou Documento de Requisitos de Produto específicos para construção de Agentes de IA.
O objetivo principal é identificar e sinalizar potenciais fraudes em informações de crédito por meio de validações cruzadas de consistência, detecção de anomalias em campos estruturados e análise de sinais linguísticos em textos declarados.
2. Contexto e Problema
Cenário Atual
O aumento das fraudes em informações de crédito representa um desafio significativo para a integridade dos dados e a confiança nas transações financeiras. Com o crescente volume de dados, torna-se cada vez mais difícil identificar padrões de fraude de forma eficiente.
Problemas Identificados
- Volume de Dados: O grande volume de dados dificulta a identificação de padrões de fraude de maneira manual.
- Integridade dos Dados: As fraudes podem comprometer a integridade dos dados de crédito, levando a decisões financeiras erradas.
- Recursos Limitados: A revisão manual de casos suspeitos consome tempo e recursos significativos.
3. Impactos Esperados
A implementação deste agente de IA visa alcançar os seguintes resultados:
- Melhoria na detecção de fraudes mediante o uso de algoritmos avançados de detecção de anomalias.
- Redução do tempo de revisão manual através da sinalização automática de casos suspeitos.
- Maior integridade dos dados de crédito, garantindo decisões financeiras mais confiáveis.
4. Visão Geral da Solução
O agente de IA para detecção de fraudes em informações de crédito utiliza algoritmos de detecção de anomalias e técnicas de processamento de linguagem natural para analisar dados estruturados e textuais, sinalizando automaticamente casos suspeitos para revisão manual. A seguir são detalhadas todas as regras de negócio e especificações funcionais necessárias para que esse agente atue como um assistente útil e autônomo na identificação de fraudes de crédito.
A solução consiste em um fluxo de automação composto por um agente de IA que processa dados de crédito em busca de padrões suspeitos.
A execução do agente é contínua, analisando cada novo conjunto de dados de crédito recebido.
5. Protótipos
Para proporcionar uma visão clara e tangível da solução proposta, criamos protótipos que demonstram tanto o fluxo de trabalho do agente quanto o resultado final que o cliente receberá. Explore os links abaixo para entender melhor a solução em ação.
6. Requisitos Funcionais
RF 1. Agente de Detecção de Fraudes em Informações de Crédito
1.1 Tarefa do Agente
Identificar e sinalizar potenciais fraudes em informações de crédito por meio de validações cruzadas de consistência, detecção de anomalias em campos estruturados e análise de sinais linguísticos em textos declarados.
1.2 Prompt ou Instruções do Agente
# 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um conjunto de dados de crédito que inclui informações cadastrais, profissionais, financeiras, histórico de crédito, referências bancárias, documentos textuais e metadados de coleta.
# 2. Objetivo
Analisar os dados recebidos para identificar e sinalizar potenciais fraudes, gerando uma decisão padronizada, pontuação de risco e evidências auditáveis.
# 3. Regras que você deve seguir para gerar sua resposta
- Utilize algoritmos de detecção de anomalias para identificar padrões suspeitos nos dados de crédito.
- Aplique técnicas de processamento de linguagem natural para analisar dados textuais e identificar sinais de fraude.
- Sinalize automaticamente os casos suspeitos para revisão e investigação manual.
# 4. Exemplo de Output que você deve produzir
{
"suspeita_fraude": true,
"classificacao": "alto",
"score_risco": 85,
"indicadores": [ { "codigo": "ID001", "descricao": "CPF inválido", "gravidade": "alta", "evidencia": "CPF 123... dígitos inválidos" } ],
"sinais_linguisticos": [ { "codigo": "PLN03", "descricao": "Repetição incomum de expressões", "trecho": "...", "peso": 6 } ],
"anomalias_estruturadas": [ { "campo": "renda_mensal_declarada", "valor": 1500, "referencia": ">= 2500", "tipo": "abaixo_referencia" } ],
"campos_inconsistentes": [ { "campos": ["data_nascimento", "data_admissao"], "descricao": "Admissão antes do nascimento" } ],
"regras_aplicadas": ["RG-CPF-VAL", "RG-RENDA-LIMITE", "RG-PLN-PADROES"],
"acoes_recomendadas": ["revisao_documental", "contato_empregador", "selfie_liveness"],
"necessita_revisao_humana": true,
"motivo_revisao": "Descrição objetiva do porquê requer revisão",
"versao_politica": "v1.0",
"padronizacao_realizada": "sim",
"timestamp_avaliacao": "ISO-8601"
} 1.3 Configurações do Agente
1.3.1 Especificação do Input
- Mecanismo de Acionamento: Este agente é o ponto de partida do fluxo e deve ser acionado pelo envio de dados de crédito via API. Na fase de testes, o fluxo será iniciado pelo envio manual dos dados, que serão enviados para o agente diretamente por upload de um arquivo JSON na interface da Prototipe AI, para acelerar o processo de validação.
- Tipo do input: O input inicial para o fluxo é um arquivo JSON contendo dados de crédito estruturados e textuais.
-
Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato:
.json. - Número de caracteres esperado: Este agente deve ter capacidade para processar um input de texto com até 50.000 caracteres.
1.3.2 Especificação do Output
- Formato de output: O output deve ser um arquivo no formato JSON contendo a decisão padronizada, pontuação de risco e evidências auditáveis.
-
Exemplo de Estrutura de Output:
{ "suspeita_fraude": true, "classificacao": "alto", "score_risco": 85, "indicadores": [ { "codigo": "ID001", "descricao": "CPF inválido", "gravidade": "alta", "evidencia": "CPF 123... dígitos inválidos" } ], "sinais_linguisticos": [ { "codigo": "PLN03", "descricao": "Repetição incomum de expressões", "trecho": "...", "peso": 6 } ], "anomalias_estruturadas": [ { "campo": "renda_mensal_declarada", "valor": 1500, "referencia": ">= 2500", "tipo": "abaixo_referencia" } ], "campos_inconsistentes": [ { "campos": ["data_nascimento", "data_admissao"], "descricao": "Admissão antes do nascimento" } ], "regras_aplicadas": ["RG-CPF-VAL", "RG-RENDA-LIMITE", "RG-PLN-PADROES"], "acoes_recomendadas": ["revisao_documental", "contato_empregador", "selfie_liveness"], "necessita_revisao_humana": true, "motivo_revisao": "Descrição objetiva do porquê requer revisão", "versao_politica": "v1.0", "padronizacao_realizada": "sim", "timestamp_avaliacao": "ISO-8601" } - Número de caracteres esperado: O JSON de output terá um tamanho aproximado de 3.000 caracteres.
1.3.3 Parâmetros de Geração
- Modelo: GPT-5
- Temperatura: 0.6
1.3.4 Ferramentas do Agente
- Documentos: Não consulta documentos externos.
- Calculadora: Utiliza lógica interna para calcular pontuação de risco e detecção de anomalias.
- Busca Online: Não utiliza.
- Sistemas Externos: Não se conecta a sistemas externos.
1.3.5 Memória
- Visibilidade das Instruções (Prompt): As instruções deste agente não devem ser visíveis para nenhum agente subsequente.
- Visibilidade da Resposta: A resposta gerada por este agente não precisa ser visível para outros agentes, pois é o resultado final da avaliação.
1.3.6 Regras de Orquestração e Transição
A execução deste agente finaliza o fluxo. A decisão e evidências geradas devem ser armazenadas para auditoria e revisão manual, se necessário.