تعلّم الآلة - اكتشاف المعاملات الاحتيالية باستخدام غابات العزل

تم تطوير نهج جديد في عام 2008 في [1] من خلال استغلال خاصية فريدة للقيم المتطرفة، وهي أن القيم المتطرفة تكون عادة معزولة بالنسبة لأغلبية نقاط البيانات. بالنظر إلى هذه الخاصية، من الممكن توليد أقسام عشوائية تحيط بنقاط البيانات لتطويق نقطة بيانات، وكلما قل عدد الأقسام المطلوبة لعزل نقطة بيانات، زادت احتمالية أن تكون نقطة البيانات هذه قيمة متطرفة. الخوارزمية المطورة لها تعقيد زمني خطي وقد ثبت أنها تعمل بشكل جيد حتى عندما تكون بيانات التدريب المتاحة محدودة؛ وهذا يتناقض مع النهج النموذجية التي تتطلب بيانات تدريب واسعة.

نظرة عامة على التحدي التنظيمي

بالنظر إلى أن مليارات المعاملات تحدث يوميًا، فإن اكتشاف الحالات الشاذة الاحتيالية وتشغيل نموذج في الوقت الفعلي يمثل تحديًا. يبرز الفحص البصري أن العثور على إبرة في كومة قش يشبه العثور على إبرة. توضح الصور التالية معاملات البنك بمرور الوقت، باللون الأخضر المشروعة وباللون الأحمر الاحتيالية. من الصعب عزل المعاملات الاحتيالية. يُطلب من المؤسسات المالية محاولة مكافحة الاحتيال للامتثال للوائح. وهو أيضًا توقع من العملاء. عادةً، عندما يحدث الاحتيال، تتحمل المؤسسة المالية التكلفة للحفاظ على رضا العملاء.

تلجأ المؤسسات بشكل متزايد إلى طرق التعلم الآلي كجزء من رحلات التحول الرقمي الخاصة بها لحل المشكلات التي تتطلب نطاقاً واسعاً مثل اكتشاف الاحتيال. يتم تخزين العديد من العلامات لاكتشاف الاحتيال عادةً داخل مستودعات البيانات. كما أن تقنيات المحاسبة الجنائية متقدمة جداً في تحديد المقاييس المستخدمة كمدخلات لنماذج التعلم الآلي.

تم تطبيق غابات العزل على مجموعة بيانات بطاقات الائتمان الخاصة بـ Kaggle [2] وقد ثبت أنها فعالة بنسبة 99% في اكتشاف المعاملات الاحتيالية [3]. نظراً لأنه تم تحديد نهج عام يعمل، فإن معظم المؤسسات تواجه تحديات تنفيذية تعمل على نطاق واسع بدلاً من الاضطرار إلى إجراء أبحاث & تطوير حل.

البيانات التنظيمية المتاحة كمدخلات لـ ML

مصادر البيانات التي تستخدمها المؤسسات المالية هي كما يلي:

• البيانات الوصفية للعملاء.
• الطوابع الزمنية للمعاملات والمبالغ.
• سجل المعاملات للعملاء.
• الموقع الجغرافي للمعاملات.
• قانون بنفورد.

منهجية التكامل

فيما يلي نظرة عامة على العملية التي سنقوم بها على مستوى عالٍ لتحليل مثل هذه التغذيات داخل مؤسسة:

• تحديد المقاييس المالية من أنظمة ERP التي يمكن استخدامها كمدخلات.
• تدريب غابة عزل على مجموعة بيانات أولية، ومواصلة تدريب النموذج في المستقبل لضمان اكتشاف أنماط المعاملات الاحتيالية الأحدث.
• من خلال استدعاء واجهات برمجة تطبيقات Telemus AI™ لتشغيل غابة العزل على المعاملات الواردة، تُرجع API تقديرًا احتماليًا لاحتمالية وجود معاملة احتيالية بناءً على النموذج.
• قم بإعداد سير العمل والعمليات المخصصة لتنبيه فريق الاحتيال وكذلك العملاء بشأن المعاملات الاحتيالية المحتملة

يمتلك Telemus AI™ نماذج تعلم آلي قوية قابلة للقراءة بحيث يمكن لمؤسستك التركيز على منطق الأعمال بدلاً من التنفيذ التقني.

التطبيقات التنظيمية

القائمة التالية لتطبيقات محتملة أخرى لمؤسستك:

• اكتشاف المعاملات الاحتيالية.
• اكتشاف مطالبات الموظفين الاحتيالية.
• تحديد السلوك التنظيمي غير المعتاد عبر أنظمة تتبع الموارد البشرية.

الفوائد المحتملة والمتحققة

بالنظر إلى الحجم الهائل من الوقت والمال الذي تكلفه عمليات الاحتيال المالي والأضرار التي تلحق بالسمعة واستياء العملاء الذي يمكن أن تسببه، فإن منع الاحتيال بشكل استباقي يمكن أن يوفر ما يصل إلى ملايين، أو حتى مليارات الدولارات، اعتمادًا على نطاق العملية. كما تواصل الهيئات التنظيمية إصدار إرشادات امتثال أكثر صرامة. هناك توقع بأن تمتلك المؤسسات المالية عمليات وإجراءات وأنظمة لمنع الاحتيال ومكافحته. التقنيات التنظيمية، أو RegTech، هي مجال ناشئ لديه القدرة على دفع العديد من الابتكارات داخل أقسام العمليات في العديد من المؤسسات في المستقبل.

Telemus AI™ هي شركة ذكاء اصطناعي مقرها في أستراليا تقدم حلولاً متقدمة للقطاعين الحكومي والمؤسسي. تواصل معنا اليوم للحصول على استشارة مجانية حول كيفية دمج Telemus AI™ في مؤسستك.

المراجع

[1] - غابة العزل - في توني ليو، كاي مينغ تينغ، وتشي-هوا تشو
[2] - اكتشاف الاحتيال في بطاقات الائتمان - Kaggle
[3] - تعلّم الآلة في اكتشاف الاحتيال في بطاقات الائتمان - S Joel Franklin