Modelo de inteligencia artificial hibrido para el perfilamiento de usuarios como estrategia de detección de fraudes en redes de fibra óptica

Resumen

El presente estudio desarrolla un modelo de inteligencia artificial híbrido para la detección de fraudes en redes de fibra óptica bajo la estrategia de clasificación de usurios, combinando diversos enfoques de aprendizaje automático para mejorar la precisión en la clasificación como fraude, anomalía o normalidad. Se probaron modelos individuales como Random Forest, Gradient Boosting y Support Vector Machine, la data que se trabaja es entregada por una empresa de telecomunicaciones de Norte de Santander con aproximadamente 10 mil registros y con las siguientes variables: Datos personales anonimizados (edad, ubicación geográfica, tipo de usuario), historial de consumo y patrones de uso de la red, datos transaccionales y financieros relacionados con la facturación, reportes de incidencias y anomalías en el servicio. Se realiza un preprocesamiento, se limpian los datos eliminando valores nulos, duplicados y valores atípicos; seguidamente, se normalizan y estandarizan las variables, por último, se dividen los datos en conjuntos de entrenamiento (70%) y validación (30%).

Los resultados demuestran que los enfoques híbridos permiten un análisis más preciso del comportamiento del usuario en telecomunicaciones, mejorando la identificación de patrones sospechosos en el consumo de datos, transacciones y reportes de anomalías. Comparado con estudios previos, que utilizan enfoques híbridos para combatir el fraude en telecomunicaciones mediante análisis de redes y modelos predictivos, este estudio confirma que la combinación de múltiples modelos mejora la detección y reduce errores; el modelo híbrido propuesto optimiza la detección de fraudes en redes de fibra óptica, ofreciendo una buena alternativa para empresas de telecomunicaciones que se puedan fusionar con aplicaciones en seguridad, gestión de riesgos y protección de ingresos.