مشین لرننگ - آئسولیشن فاریسٹس کے ساتھ فراڈ لین دین کا پتہ لگانا
ایک مسلسل بڑھتے ہوئے باہمی جڑے ہوئے ڈیجیٹل دنیا میں، روزانہ اربوں لین دین مختلف سسٹمز کے ذریعے ہوتے ہیں، روایتی دکانوں کے اندر پوائنٹ آف سیل ٹرمینلز سے لے کر آن لائن پیمنٹ گیٹ ویز تک۔ ان سسٹمز نے بڑے مواقع فراہم کیے ہیں اور منفرد کاروباری ماڈلز کے ساتھ نئے جدید کاروبار کو آگے بڑھانے میں مدد کی ہے۔ اگرچہ نمایاں فوائد حاصل ہوئے ہیں، اس کے ساتھ ہی زیادہ سے زیادہ پیچیدہ سائبر کرائم میں بھی تیزی سے اضافہ ہوا ہے۔
سائبر کرائم کی سب سے عام شکلوں میں سے ایک کریڈٹ کارڈ فراڈ ہے، جو عالمی سطح پر مالی شعبے میں درج اربوں ڈالرز کا حساب لگاتا ہے۔ ہر روز ہونے والے لین دین کی تعداد کو دیکھتے ہوئے، مالی اداروں کے لیے سائبر مجرموں سے لڑنا چیلنجنگ ہے؛ مشین لرننگ میں حالیہ پیشرفتوں نے فراڈی لین دین کی شناخت اور پتہ لگانے کے نئے طریقوں کو جنم دیا ہے۔ درست فراڈ کی شناخت خودکار کم کی گئی حکمت عملیوں جیسے کسٹمر کو الرٹ کرنا اور لین دین کے آگے بڑھنے سے پہلے مزید تصدیق طلب کرنا کی اجازت دیتی ہے۔
یہ کیس اسٹڈی کریڈٹ کارڈ فراڈ کی شناخت کے لیے مشین لرننگ پر مبنی نقطہ نظر کا جائزہ لیتی ہے۔ مشین لرننگ متعدد مختلف سیٹنگز میں مؤثر ثابت ہوئی ہے اور بڑے حجم کے ڈیٹا پر چلنے میں بھی موثر ہے، جو بینکنگ سسٹمز کو نافذ کرنے والے سافٹ ویئر انجینئرز کے لیے ایک ضروری غور ہے۔
آرٹیفیشل انٹیلیجنس کے ذریعے مسئلہ حل کرنا
اسامیتوں کا پتہ لگانا روایتی طور پر ایک ایسا مسئلہ رہا ہے جو شماریات کے میدان میں آتا ہے۔ روایتی طریقے یہ فرض کرتے ہیں کہ ایک ڈیٹا سیٹ عام تقسیم کے دائرے میں آتا ہے۔ اس طرح، غیر معمولی نکات کو یہ مشاہدہ کرکے پتہ لگایا جاتا ہے کہ کون سے ڈیٹا پوائنٹس معیار سے نمایاں طور پر انحراف کرتے ہیں۔ اس طریقے کا نقصان یہ ہے کہ اگر ڈیٹا سیٹ عام طور پر تقسیم نہیں کیا گیا ہے، تو اس تکنیک کی تاثیر محدود ہو جاتی ہے۔
حالیہ الگورتھمک پیش رفت کا استعمال کرتے ہوئے مشین لرننگ طریقوں کی بعد میں کوشش کی گئی، جو انتہائی موثر، قابل توسیع ثابت ہوئے اور شماریاتی طریقوں کی مذکورہ بالا حدود پر قابو پائے۔ اگرچہ مالی شعبے کے باہر وسیع پیمانے پر اپنایا نہیں گیا، ان طریقوں میں سے بہت سے فی الحال بینکنگ میں پروڈکشنائز کیے گئے ہیں۔
2008 میں [1] میں ایک نئے طریقہ کار کو تیار کیا گیا جو آؤٹ لائرز کی ایک منفرد خصوصیت کا فائدہ اٹھاتے ہوئے، یہ کہ آؤٹ لائرز عام طور پر زیادہ تر ڈیٹا پوائنٹس کے مقابلے میں الگ تھلگ ہوتے ہیں۔ اس خصوصیت کو دیکھتے ہوئے، ڈیٹا پوائنٹس کو گھیرنے کے لیے بے ترتیب تقسیم پیدا کرنا ممکن ہے، ایک ڈیٹا پوائنٹ کو الگ کرنے کے لیے جتنی کم تقسیم درکار ہوتی ہے، اتنا ہی زیادہ امکان ہے کہ ایسا ڈیٹا پوائنٹ ایک آؤٹ لائر ہے۔ تیار کردہ الگورتھم کی لکیری وقت کی پیچیدگی ہے اور یہ ثابت ہوا ہے کہ یہ اس وقت بھی اچھی طرح کام کرتا ہے جب محدود تربیتی ڈیٹا دستیاب ہو؛ یہ عام طریقہ کار سے متضاد ہے جو وسیع تربیتی ڈیٹا کی درخواست کرتے ہیں۔
تنظیمی چیلنج کا جائزہ
یہ دیکھتے ہوئے کہ روزانہ اربوں لین دین ہوتے ہیں، دھوکہ دہی کے غیر معمولی واقعات کی شناخت اور ماڈل کو حقیقی وقت میں چلانا چیلنجنگ ہے۔ ایک بصری معائنہ اس بات کو نمایاں کرتا ہے کہ بھوسے میں سوئی تلاش کرنا ایک سوئی تلاش کرنے جیسا ہے۔ مندرجہ ذیل تصاویر وقت کے ساتھ بینکنگ لین دین کو ظاہر کرتی ہیں، جس میں جائز سبز اور دھوکہ دہی والے سرخ ہیں۔ دھوکہ دہی والے لین دین کو الگ کرنا چیلنجنگ ہے۔ مالی اداروں سے تقاضا کیا جاتا ہے کہ وہ ضوابط کی پابندی کے لیے دھوکہ دہی سے لڑنے کی کوشش کریں۔ یہ گاہکوں کی توقع بھی ہے۔ عام طور پر، جب دھوکہ دہی ہوتی ہے، تو مالی ادارہ گاہک کے اطمینان کو برقرار رکھنے کے لیے لاگت ادا کرتا ہے۔
تنظیمیں اپنے ڈیجیٹل تبدیلی کے سفر کے حصے کے طور پر مشین لرننگ کے طریقوں کی طرف بڑھ رہی ہیں تاکہ ایسے مسائل حل کیے جا سکیں جنہیں پیمانے کی ضرورت ہوتی ہے جیسے دھوکہ دہی کا پتہ لگانا۔ دھوکہ دہی کا پتہ لگانے والے بہت سے مینڈر عام طور پر ڈیٹا ویئر ہاؤسز کے اندر محفوظ ہوتے ہیں۔ فرانزک اکاؤنٹنگ کی تکنیکیں بھی مشین لرننگ ماڈلز کے لیے ان پٹس کے طور پر استعمال ہونے والے میٹرکس کا تعین کرنے میں کافی جدید ہیں۔
آئسولیشن فاریسٹس کو کیگل کریڈٹ کارڈ ڈیٹا سیٹ [2] پر لاگو کیا گیا ہے اور دھوکہ دہی کے لین دین کی شناخت میں 99% موثر ثابت ہوئے ہیں [3]۔ چونکہ ایک ایسا عمومی طریقہ کار طے کیا گیا ہے جو کام کرتا ہے، اس لیے زیادہ تر تنظیموں کو پیمانے پر کام کرنے والے نفاذ کے چیلنجوں کا سامنا ہوتا ہے بجائے اس کے کہ انہیں تحقیق کرنی پڑے & ایک حل تیار کریں۔
ML ان پٹ کے طور پر دستیاب تنظیمی ڈیٹا
مالی اداروں کے استعمال کردہ ڈیٹا ذرائع درج ذیل ہیں:
- گاہک کا میٹا ڈیٹا۔
- لین دین کے ٹائم اسٹیمپس اور رقم۔
- گاہکوں کا لین دین کی تاریخ۔
- لین دین کا جغرافیائی مقام۔
- بینفورڈ کا قانون۔
انضمام کی طریقہ کار
درج ذیل کسی تنظیم کے اندر ایسے فیڈز کا تجزیہ کرنے کے لیے ہم اعلیٰ سطح پر انجام دینے والے عمل کا ایک جائزہ ہے:
- ERP سسٹمز سے مالی میٹرکس کی شناخت کریں جو ان پٹس کے طور پر استعمال کیے جا سکتے ہیں۔
- ابتدائی ڈیٹا سیٹ پر ایک آئسولیشن فاریسٹ کی تربیت دیں، اور حالیہ فراڈ لین دین کے پیٹرن کو دریافت کرنے کے لیے مستقبل میں ماڈل کی تربیت جاری رکھیں۔
- آنے والے لین دین پر Isolation Forest چلانے کے لیے Telemus AI™ APIs کو کال کرنے پر، API ماڈل کی بنیاد پر دھوکہ دہی کے لین دین کے امکان کا ایک احتمالی تخمینہ واپس کرتا ہے۔
- ممکنہ فراڈ لین دین پر فراڈ ٹیم کے ساتھ ساتھ گاہکوں کو الرٹ کرنے کے لیے حسب ضرورت ورک فلوز اور عمل مرتب کریں
Telemus AI™ کے پاس مضبوط مشین لرننگ ماڈلز ہیں تاکہ آپ کی تنظیم تکنیکی عمل درآمد کے بجائے کاروباری منطق پر توجہ مرکوز کر سکے۔
تنظیمی ایپلی کیشنز
آپ کے ادارے کے لیے دیگر ممکنہ ایپلی کیشنز کی فہرست درج ذیل ہے:
- فراڈulent لین دین کا پتہ لگانا۔
- ملازمین کے فراڈ دعووں کا پتہ لگانا۔
- انسانی وسائل کی ٹریکنگ سسٹمز کے ذریعے غیر معمولی تنظیمی رویے کا تعین کرنا۔
ممکنہ اور حاصل کردہ فوائد
مالی دھوکہ دہی کے وقت اور رقم کے بہت بڑے پیمانے اور اس کے باعث ہونے والے ساکھ کو پہنچنے والے نقصان اور صارفین کی عدم اطمینان کو دیکھتے ہوئے، دھوکہ دہی کو فعال طور پر روکنے سے آپریشن کے پیمانے کے لحاظ سے لاکھوں، ایتھ کھربوں ڈالر تک بچائے جا سکتے ہیں۔ ریگولیٹری باڈیز بھی مسلسل مزید سخت تعمیل رہنمائی خطوط لے کر آ رہی ہیں۔ یہ توقع کی جاتی ہے کہ مالی اداروں کے پاس دھوکہ دہی کو روکنے اور اس سے لڑنے کے لیے عمل، طریقہ کار اور سسٹم موجود ہوں۔ ریگولیٹری ٹیکنالوجیز، یا RegTech ایک ابھرتا ہوا میدان ہے جس میں مستقبل میں آگے بڑھتے ہوئے بہت سی تنظیموں کے آپریشنز محکموں میں بہت سی جدتوں کو فروغ دینے کی صلاحیت ہے۔
Telemus AI™ ایک آسٹریلوی مصنوعی ذہانت کی کمپنی ہے جو حکومت اور انٹرپرائز کو جدید حل فراہم کرتی ہے۔ آج ہی ہم سے رابطہ کریں تاکہ Telemus AI™ کو آپ کے ادارے میں کیسے ضم کیا جا سکتا ہے اس پر مفت مشورہ حاصل کریں۔
حوالہ جات
[1] - آئسولیشن فاریسٹ - فی ٹونی لیو، کائی منگ ٹنگ، اور ژی-ہوا ژو
[2] - کریڈٹ کارڈ فراڈ کا پتہ لگانا - Kaggle
[3] - کریڈٹ کارڈ فراڈ کی شناخت میں مشین لرننگ - ایس جوئل فرینکلن
