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 para Suporte na Investigação de Fraudes. Essa documentação é um modelo de PRD ou Documento de Requisitos de Produto específico para construção de Agentes de IA.
O objetivo deste agente é auxiliar investigadores de fraudes ao fornecer insights baseados em dados históricos e padrões de comportamento, permitindo uma identificação mais rápida e precisa de fraudes em potencial.
2. Contexto e Problema
Cenário Atual
Os investigadores de fraudes enfrentam diversos desafios ao lidar com grandes volumes de dados, onde a identificação manual de padrões de fraude é demorada e propensa a erros. Problemas específicos incluem:
- Dificuldade em identificar rapidamente padrões de fraude em grandes volumes de dados.
- Necessidade de fornecer insights precisos e acionáveis para os investigadores de fraudes.
- Auxílio na identificação de novos padrões de fraude à medida que surgem.
Problemas Identificados
- Complexidade dos dados: A análise manual de grandes volumes de dados para identificar fraudes é complexa e demorada.
- Precisão dos insights: A necessidade de gerar insights precisos e acionáveis para apoiar os investigadores.
- Adaptação a novos padrões: A capacidade de identificar novos padrões de fraude que surgem ao longo do tempo.
3. Impactos Esperados
A implementação deste agente de IA visa alcançar os seguintes resultados:
- Reduzir o tempo de identificação de fraudes em grandes volumes de dados.
- Fornecer insights precisos e acionáveis para os investigadores de fraudes.
- Melhorar a detecção de novos padrões de fraude através de aprendizado contínuo.
4. Visão Geral da Solução
O agente de IA para suporte na investigação de fraudes analisa grandes volumes de dados históricos e em tempo real, utiliza algoritmos de aprendizado de máquina para identificar padrões de fraude e fornece insights detalhados para os investigadores. 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 investigação de fraudes.
A solução é composta por um fluxo de automação que inicia com a análise de dados históricos e culmina na geração de relatórios com insights acionáveis para os investigadores. A execução dos agentes é sequencial, conforme detalhado abaixo.
| Agentes | Função Principal |
|---|---|
Agente de Análise de Dados Históricos de Fraudes (RF 1)
| Analisar grandes volumes de dados históricos para identificar padrões de fraude. |
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 investigador receberá. Explore os links abaixo para entender melhor a solução em ação.
6. Requisitos Funcionais
RF 1. Agente de Análise de Dados Históricos de Fraudes
1.1 Tarefa do Agente
Analisar grandes volumes de dados históricos para identificar padrões de fraude.
1.2 Prompt ou Instruções do Agente
# 1. Contexto e explicações sobre inputs iniciais Você está recebendo dados históricos de fraudes em formato CSV com colunas como 'data', 'tipo_fraude', 'quantia', etc. # 2. Objetivo Analisar os dados para identificar padrões de fraude e fornecer insights úteis para os investigadores. # 3. Regras que você deve seguir para gerar sua resposta - Processar grandes volumes de dados históricos de forma eficiente para suportar a investigação de fraudes. - Utilizar algoritmos de aprendizado de máquina para identificar padrões de fraude, ajustando modelos conforme dados históricos. - Treinar continuamente com dados históricos de fraudes para melhorar a precisão e detecção de novas fraudes. - Gerar relatórios detalhados com análises dos padrões de fraude identificados, implicações e recomendações acionáveis. - Assegurar conformidade com regulamentações de proteção de dados, como GDPR, e operar eticamente respeitando a privacidade dos dados.
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 históricos de fraudes em formato CSV via API. Na fase de testes, o fluxo será iniciado pelo envio manual dos dados, que serão enviados para o agente diretamente por upload do CSV na interface da Prototipe AI, para acelerar o processo de validação.
- Tipo do input: Dados históricos de fraudes em formato CSV.
-
Formatos Suportados: Esse agente deve ser capaz de receber dados nos formatos:
.csv. - Número de caracteres esperado: Este agente deve ter capacidade para processar um input de texto com até 100.000 caracteres.
1.3.2 Especificação do Output
- Formato de output: O output deve ser um relatório em formato Markdown com padrões de fraude identificados e insights para os investigadores.
-
Exemplo de Estrutura de Output:
**Relatório de Padrões de Fraude** 1. **Padrão A:** Descrição e implicações 2. **Padrão B:** Descrição e implicações 3. **Recomendações:** Ações sugeridas
- Número de caracteres esperado: O relatório final deve ser conciso e informativo, com um tamanho estimado em torno de 5.000 caracteres, podendo variar conforme a complexidade dos dados analisados.
1.3.3 Parâmetros de Geração
- Modelo: GPT-5
- Temperatura: 0.7
1.3.4 Ferramentas do Agente
- Documentos: Não consulta documentos externos.
- Calculadora: Utiliza lógica interna para cálculos estatísticos básicos.
- 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 deve ser visível para o próximo agente que utilizará os insights gerados.
1.3.6 Regras de Orquestração e Transição
Ao concluir sua execução, esse agente aciona o próximo agente designado para utilizar os insights gerados.