الكشف عن الغش بالذكاء الاصطناعي في الخدمات المصرفية

من خلال تحليل مجموعات البيانات الكبيرة، يمكن لنماذج الذكاء الاصطناعي أن تتعلم كيفية التعرُّف على الفرق بين الأنشطة المشبوهة والمعاملات المشروعة، كما يمكنها المساعدة على تحديد مخاطر الاحتيال المحتملة لمنع الجرائم المالية - وكذلك اكتشاف التوجهات التي قد يغفل عنها الوكيل البشري.

تعمل المؤسسات المالية بشكل متزايد على دمج حلول الذكاء الاصطناعي في مهام سير العمل الجديدة والحالية لتحسين صناعة القرار ومنع الاحتيال وإدارة المخاطر. قد تستخدم نماذج التعلم الآلي المدعومة بالذكاء الاصطناعي والتي تم تدريبها على البيانات التاريخية التعرُّف على الأنماط لاكتشاف المعاملات الاحتيالية المحتملة ومنع تنفيذها تلقائيًا. وقد تتطلب أيضًا من العملاء البشريين إكمال خطوات مصادقة إضافية للتحقق من معاملة مشبوهة. يمكن لتقنية الذكاء الاصطناعي أيضًا استخدام التحليلات التنبؤية لتقدير أنواع المعاملات المستقبلية التي ينفِّذها شخص ما، ويمكنها التعرُّف على إذا ما كان نوع جديد من المعاملات أو سلوك المعاملات غير معتاد.

بهذه الطرق، يمكن للتكنولوجيا المالية القائمة على الذكاء الاصطناعي أن تساعد على حماية الأفراد من الخسائر المالية الناتجة عن أنواع مختلفة من الاحتيال، بما في ذلك عمليات التصيد الاحتيالي وسرقة الهوية والاحتيال في المدفوعات والاحتيال في بطاقات الائتمان وأنواع أخرى من الاحتيال المصرفي.

لا تُعَد أنظمة الكشف عن الغش باستخدام الذكاء الاصطناعي مثالية، وقد تؤثِّر بعض الإيجابيات الزائفة سلبًا في تجربة العميل الشاملة. لكن منع المحتالين من ارتكاب الجرائم المالية بدءًا من الرسوم غير المصرَّح بها وحتى غسيل الأموال يُعَد أمرًا بالغ الأهمية لضمان أمن حسابات العملاء والحفاظ على الامتثال التنظيمي للمؤسسات المالية.

مع استمرار التقدم في تكنولوجيا الذكاء الاصطناعي، يعتمد كل من مزودي خدمات منع الاحتيال المعتمدة على الذكاء الاصطناعي والمؤسسات المالية الرائدة على الذكاء الاصطناعي ليصبح أداة أكثر قيمة في منع محاولات الاحتيال والتخفيف من مخاطره.

تُتيح تكنولوجيا الذكاء الاصطناعي لأجهزة الكمبيوتر التصرُّف والتعلم والتكيُّف وحل المشكلات والتصرُّف باستقلالية بطرق مشابهة للإدراك البشري. وفي حين أن أنظمة الذكاء الاصطناعي ليست بالضرورة ذكية مثل نظيراتها البشرية، فإن الذكاء الاصطناعي المدرَّب والذي يركِّز على مهام محددة، عندما يعمل ضمن أنظمة صارمة قائمة على القواعد، يمكن أن يضاهي العوامل البشرية أو يتفوق عليها بسرعات ومقاييس أكبر بكثير. 

إن أنظمة الذكاء الاصطناعي المستخدمة في منع الاحتيال المصرفي مصممة بشكل كبير لأداء مهام محددة. يتم تدريب نماذج الذكاء الاصطناعي باستخدام كميات كبيرة من البيانات المنسقة بعناية من خلال عملية تُعرَف باسم التعلم الخاضع للإشراف. تعمل هذه الطريقة على تعليم النموذج كيفية التعرُّف على أنماط محددة لمهام محددة.

في المقابل، يسمح التعلم غير الخاضع للإشراف لأنظمة الذكاء الاصطناعي باستخلاص استنتاجات من البيانات السابقة دون الحاجة إلى مواد تدريبية موجَّهة.

في سيناريوهات التعلم الخاضع للإشراف، يتم تدريب أنظمة الذكاء الاصطناعي على الأساليب المحددة لتوجيه التعرُّف على الأنماط. قد يبدو مثال على مجموعة بيانات التعلم الخاضع للإشراف مثل آلاف السجلات المالية العادية الممزوجة بأمثلة محددة من السلوك الاحتيالي، مثل معاملة كبيرة غير عادية أو تحويل أموال إلى عنوان احتيالي معروف.

يتم تدريب الذكاء الاصطناعي بهذه الطريقة ليصبح ماهرًا للغاية في التعرُّف على المعاملات المتوسطة والمشروعة على الأرجح والمعاملات المشتركة بين أنماط السلوك الاحتيالية المعروفة. 

يتم استخدام تقنيات الكشف عن الحالات الشاذة غير الخاضعة للإشراف لملء الفجوات التي قد تفتقر إليها نماذج التدريب الخاضعة للإشراف. تعمل هذه التقنيات على تمكين نماذج الذكاء الاصطناعي من التعرُّف على أنماط السلوك غير المتوقعة سابقًا - ولكنها لا تزال غير عادية. يمكن أن يساعد استخدام أنظمة الذكاء الاصطناعي مع وظيفة التعلم غير الخاضع للإشراف على تحليل البيانات الجديدة لاكتشاف أساليب الاحتيال المحتملة قبل أن يدرك العملاء البشريون مثل هذه التهديدات. 

من خلال التعلم الخاضع للإشراف وغير الخاضع للإشراف، يمكن للبنوك استخدام أتمتة الذكاء الاصطناعي للكشف عن أنماط الاحتيال المؤكَّدة مسبقًا وإطلاق الإنذار إذا أشارت أنماط غير معروفة إلى احتمال حدوث أنشطة احتيالية جديدة.

أحد التطبيقات الأكثر شيوعًا لتكنولوجيا الذكاء الاصطناعي هو روبوت المحادثة على وسائل التواصل الاجتماعي، وهو برنامج آلي يمكنه إجراء محادثات مع العملاء. غالبًا ما يتم استخدام برامج المحادثة مثل هذه لخدمة العملاء، والإجابة عن الأسئلة الأساسية وتوفير المعلومات في الوقت الفعلي دون الحاجة إلى انتظار توفُّر وكيل بشري.

بالإضافة إلى خدمة العملاء، يستخدِم القطاع المصرفي العديد من أنواع البرامج الأخرى والبرمجيات التي تتضمن الذكاء الاصطناعي لتحديد الاحتيال المحتمل ومنعه. تستخدم البنوك أنظمة الذكاء الاصطناعي للكشف في الوقت الفعلي، وتكلِّف البرامج التي تدعمها الذكاء الاصطناعي بتحليل كميات هائلة من المعاملات لتحديد أي نشاط مشبوه في الحساب والإبلاغ عنه بمجموعة كبيرة ومتنوعة من الطرق، بما في ذلك ما يلي: 

• دعم القوى العاملة:يمكن للعمال البشريين الذين يعملون على منع الاحتيال التقليدي الوصول إلى مساعدي الذكاء الاصطناعي المستندين إلى النموذج اللغوي الكبير للتواصل باللغة الطبيعية والاستعلام عن مجموعات البيانات الكبيرة أو الرجوع إلى مستندات السياسة الطويلة والمعقدة.

• الامتثال التنظيمي: تتعرض البنوك لضغوط كبيرة للحفاظ على حالة الامتثال التنظيمي. ويمكن لبرامج الذكاء الاصطناعي مساعدة البنوك على تنفيذ سياسات معرفة العميل (KYC) باستخدام رؤية الكمبيوتر من خلال تحليل مستندات التحقق من الهوية بحثًا عن أي تناقضات أو علامات احتيال. كما يمكنها أيضًا مساعدة البنوك على تنفيذ عمليات مكافحة غسيل الأموال من خلال تحديد الحسابات أو السلوكيات المعروفة المرتبطة بغسيل الأموال غير المشروع، مثل نقل مبالغ العملة المتطابقة بين حسابات مختلفة. 

• الكشف عن الحالات الشاذة: تُعَد أنظمة الذكاء الاصطناعي مفيدة بشكل خاص لأي تطبيق يتطلب التعرُّف على الأنماط. تم تصميم أنواع محددة من الذكاء الاصطناعي، والمعروفة باسم الشبكات العصبية الرسومية (GNN)، لمعالجة البيانات التي يمكن تمثيلها على شكل رسم بياني، مثل البيانات الشائعة جدًا في قطاع الخدمات المصرفية. تتميز شبكات GNN بالقدرة على معالجة مليارات السجلات لتحديد الأنماط عبر مساحات واسعة من البيانات لتتبُّع واحتجاز عمليات الاحتيال الأكثر تعقيدًا. 

• تقييم المخاطر: تعتمد نماذج الذكاء الاصطناعي والتعلم الآلي على بيانات مرجحة لتحديد احتمالية الإجراءات المحتملة وتقييم أدق قرار أو إجراء يمكن اتخاذه. وعلى هذا النحو، فإنها قادرة على إجراء تقييمات على أساس عوامل متعددة، مثل حجم المعاملات، وتواترها، والموقع، والسلوك الماضي، ما يجعلها مناسبة للغاية لتحديد المخاطر. يمكن للذكاء الاصطناعي تحديد مخاطر المعاملة المالية المحددة، وكذلك مخاطر منح قرض أو خط ائتمان للمتقدمين المحتملين للاحتيال. 

• تحليل الشبكات: يمكن استخدام تقنيات التعلم الآلي مثل تحليل الرسوم البيانية لكشف شبكات المحتالين المحتملين من خلال تحليل العلاقات بين الكيانات وتحديد الاتصالات أو المجموعات المشبوهة.

تمهِّد أنظمة الذكاء الاصطناعي لعصر جديد في كشف الاحتيال وتعزيز الأمان في القطاع المصرفي، حيث توفِّر تحسينات كبيرة مقارنةً بالأساليب التقليدية. ومع ذلك، فإن نماذج الذكاء الاصطناعي مبنية على التعلم والممارسات المستمدة من الأنظمة التقليدية، ولا تزال الأساليب التقليدية تحتفظ بمكانتها. 

• سهولة التنفيذ: تعتمد تقنيات الكشف عن الغش التقليدية على أساليب قائمة على قواعد محددة مسبقًا، وهي طرق راسخة وسهلة التطبيق. على سبيل المثال، الإبلاغ عن أي معاملات جديدة تتجاوز نطاقًا متوسطًا معيَّنًا بناءً على عادات الإنفاق لحساب معين. 

• الذكاء البشري: يقدم محللو الكشف عن الغش التقليدي خبرة ميدانية وحدسًا ومهارات متخصصة في هذا المجال. في بعض المواقف، قد يكون الشخص المدرَّب بشكل تقليدي فقط قادرًا على التحقق من شرعية معاملة معينة أو التعرُّف على محاولة احتيال محتملة. 

• النطاق المحدود: تعتمد أنظمة الكشف عن الغش التقليدي القائمة على القواعد على علاقات ثابتة (مثل: إذا حدث X، فسيحدث Y). رغم أن هذا النهج قد يكون فعَّالًا، إلا أنه لا يأخذ في الاعتبار التفاعلات الواسعة والمعقدة المحتملة بين العديد من نقاط البيانات المختلفة. 

• محدودية النطاق: مع ازدياد حجم المعاملات، تواجه الأنظمة التقليدية التي يُديرها محللو الكشف عن الغش صعوبةً في معالجة الكميات المتزايدة من البيانات التي يتم توليدها كل دقيقة يوميًا. وتوظيف عدد أكبر من العاملين لا يُعَد مكلفًا فحسب، بل قد لا يكون كافيًا أيضًا. 

• ارتفاع معدل الخطأ: عادةً ما تكون الأنظمة القائمة على القواعد المستخدمة في الأنظمة التقليدية للكشف عن الغش صارمة للغاية، حيث يتم تشغيلها كلما لوحظ مؤشر غش محتمل. يمكن أن تؤدي هذه الصلابة إلى حجم كبير من الإيجابيات الزائفة. على سبيل المثال، إذا لم يقم حساب معين بسحب أكثر من 100 دولار أمريكي ثم حاول سحب ضعف ذلك، فمن المحتمل أن يمنع النظام المعاملة. ولكن على الرغم من أن هذا السلوك غير معتاد، إلا أنه لا يُشير بالضرورة إلى الاحتيال. في هذه الحالة، قد يحتاج العميل ببساطة إلى إجراء عملية سحب كبيرة بشكل غير معتاد. يمكن أن تؤدي هذه الإيجابيات الزائفة إلى إجراء تحقيقات وتأخيرات غير ضرورية، ما يؤدي إلى تقليل رضا العملاء.

• تحسين التعرُّف على الأنماط: تتميز أنظمة الذكاء الاصطناعي باستيعاب كميات هائلة من البيانات للتعرُّف على الأنماط المعقدة والغامضة. ومن خلال رؤية الصورة الأكبر، يمكن لأنظمة الذكاء الاصطناعي تحديد النشاط غير الطبيعي بدقة أفضل.

• قابلية التوسع: باستخدام الأتمتة، يمكن لأنظمة الذكاء الاصطناعي مراقبة كميات هائلة من المعاملات أكبر بكثير مما يمكن للبشر إدارته. تستطيع تقنية الكشف عن الغش المدعومة بالذكاء الاصطناعي إجراء التحليل في الوقت الفعلي ويمكنها توفير استجابة سريعة أسرع من الطرق التقليدية. 

• القدرة على التكيُّف: بمجرد تدريبها، لا تتوقف خوارزميات الذكاء الاصطناعي عن التعلم. ومع استمرار أنظمة الذكاء الاصطناعي في العمل، فإنها تصبح قادرة على التعلم والتكيف، ما يؤدي إلى تحسين قدراتها على اكتشاف أنواع جديدة من الاحتيال وتعزيز فاعليتها.

• الاعتماد على البيانات: تتطلب نماذج الذكاء الاصطناعي كميات كبيرة للغاية من البيانات للتدريب والتعلم والنمو. يجب أن تكون هذه البيانات إما من مصادر أو تم إنشاؤها (بيانات صناعية)، ولكن يجب أيضًا تنسيقها. تعتمد دقة نموذج الذكاء الاصطناعي على جودة بيانات التدريب. 

• التنفيذ المعقد:قد يكون من الصعب دمج أنظمة الذكاء الاصطناعي في الأنظمة الحالية. ففي حين توفِّر أنظمة الذكاء الاصطناعي المال على المدى الطويل، إلا أنها قد تتطلب أيضًا استثمارًا أوليًا كبيرًا. 

منذ التنفيذ، وجدت العديد من المؤسسات المالية والبنوك أدلة مهمة تدعم التبني المتزايد للكشف عن الغش باستخدام الذكاء الاصطناعي. باستخدام نماذج الذكاء الاصطناعي المتقدمة للذاكرة طويلة المدى (LSTM)، تمكَّنت شركة American Express من تحسين الكشف عن الغش بنسبة 6%. وتمكَّنت PayPal من تحسين الكشف عن الغش في الوقت الفعلي بنسبة 10% من خلال أنظمة الذكاء الاصطناعي التي تعمل على مدار الساعة في جميع أنحاء العالم. 

من الناحية العملية، تُعَد حالات الاستخدام للكشف عن الغش باستخدام الذكاء الاصطناعي في الخدمات المصرفية كثيرة ومتزايدة، بما في ذلك ما يلي.

بصفتها تقنية ثورية، تُحدِث تقنيات الكشف عن الغش المدعومة بالذكاء الاصطناعي تأثيرًا كبيرًا بالفعل في قطاع البنوك، مع إمكانية تحقيق تأثير أكبر مستقبلًا. ومع ذلك، وعلى الرغم من المزايا العديدة التي يوفرها الذكاء الاصطناعي، فإن هذه التقنية الجديدة لا تخلو من التحديات.

تتحسن أنظمة الذكاء الاصطناعي كل يوم، لكنها ليست معصومة من الخطأ. يمكن لنماذج الذكاء الاصطناعي في كثير من الأحيان أن تولِّد نتائج غير دقيقة، تُعرَف باسم الهلوسة. في القطاع المصرفي، يمكن التخفيف من النتائج غير الدقيقة من خلال إنشاء نماذج فائقة التخصص مصممة لمهام محددة للغاية، ولكن هذه الأنواع من النماذج تحدُّ من الاستفادة من القيمة المحتملة للذكاء الاصطناعي. ورغم أن الهلوسة ليست شائعة إلى الحد الذي يجعل الذكاء الاصطناعي غير قابل للاستخدام، فإن زيادة الدقة ستكون حاسمة لتقدُّم الذكاء الاصطناعي في مجال الحماية من الاحتيال المصرفي.

لقد كان التحيُّز في تحليل البيانات مشكلة منذ الأيام الأولى للعلم، أي قبل وقت طويل من تكنولوجيا الكمبيوتر. وللأسف، لا تزال المشكلة قائمة. وفي قطاع الخدمات المالية الحرج، تم بذل الكثير من الجهد للقضاء على التحيز والتمييز في ممارسات الإقراض وحماية الحسابات. يُعَد القضاء على التحيز في نماذج الذكاء الاصطناعي التي صممها تقنيون متحيزون أمرًا ضروري لتجنب التمييز بسبب الجنس أو العرق أو الإعاقة أو الدين.

تُعَد قضايا إدارة خصوصية البيانات أمرًا حيويًا في القطاع المصرفي. تتطلب نماذج الذكاء الاصطناعي الوصول إلى كميات هائلة من البيانات، والتي يجب الحصول عليها ومعالجتها بشكل أخلاقي. علاوةً على ذلك، يجب أيضًا مراعاة تنفيذ الذكاء الاصطناعي بشكل كبير لتجنب انتهاك أي قوانين خاصة بخصوصية البيانات. في الواقع، ومع تطوُّر هذه التكنولوجيا، قد يكون من الضروري أن يعيد المشرِّعون والجهات التنظيمية النظر في القوانين الحالية لضمان حماية خصوصية العملاء.