التعلم الآلي في كشف الاحتيال: دليل 2026

ملخص سريع: يُحدث التعلّم الآلي نقلة نوعية في كشف الاحتيال من خلال تحليل مجموعات بيانات المعاملات الضخمة في الوقت الفعلي، وتحديد الأنماط المعقدة التي تغفل عنها الأنظمة التقليدية القائمة على القواعد. وتتكيف الخوارزميات المتقدمة، مثل الشبكات العصبية وأشجار القرار وأساليب التجميع، باستمرار مع أساليب الاحتيال المتطورة، مما يقلل من الإنذارات الكاذبة ويكشف التهديدات المعقدة. وتعتمد المؤسسات المالية ومنصات التجارة الإلكترونية وشركات معالجة المدفوعات بشكل متزايد على الأنظمة المدعومة بالتعلّم الآلي التي توازن بين الأمن وتجربة العملاء، محققةً معدلات دقة في الكشف تتجاوز بكثير الأساليب التقليدية.

بلغت الخسائر المالية العالمية الناجمة عن الاحتيال في المدفوعات مستوياتٍ مذهلة في السنوات الأخيرة، حيث يواصل المحتالون تطوير أساليبهم باستمرار. ولم تعد أنظمة الكشف التقليدية القائمة على القواعد قادرة على مواكبة هذا التطور.

يُغير التعلم الآلي هذه المعادلة تماماً. فمن خلال معالجة كميات هائلة من المعاملات واكتشاف أنماط لا يستطيع البشر رصدها، أصبحت خوارزميات التعلم الآلي خط الدفاع الأول ضد الجرائم المالية.

لكن الأمر المهم هو أن تطبيق التعلم الآلي لكشف الاحتيال لا يقتصر على مجرد تطبيق الخوارزميات على البيانات. بل يتطلب فهم التقنيات الأكثر فعالية، وكيفية التعامل مع مجموعات البيانات غير المتوازنة، ومتى تظل الرقابة البشرية ضرورية.

يشرح هذا الدليل كل شيء بدءًا من المفاهيم الأساسية وحتى استراتيجيات التنفيذ المتقدمة التي تستخدمها المؤسسات المالية ومنصات التجارة الإلكترونية ومعالجات الدفع في الوقت الحالي.

ما الذي يجعل التعلم الآلي ضرورياً لكشف الاحتيال؟

تعتمد أنظمة كشف الاحتيال القائمة على القواعد على شروط محددة مسبقًا. فإذا تجاوزت قيمة المعاملة 100 دولار أمريكي وكانت صادرة من موقع عالي المخاطر، يتم حظرها. الأمر بسيط، أليس كذلك؟

تبسيط مفرط. هذه القواعد الصارمة تُنتج إنذارات خاطئة بمعدلات مُقلقة. فعندما يقوم عميل بعملية شراء كبيرة بشكل غير معتاد، يتم إطلاق تنبيهات حتى لو كانت العملية مشروعة، مما يُسبب مشاكل وخسائر في الإيرادات.

تحلل خوارزميات التعلم الآلي مئات المتغيرات في وقت واحد - مبلغ المعاملة، والموقع، والوقت، وبصمة الجهاز، وسجل الشراء، والأنماط السلوكية. وهي تحدد الارتباطات الدقيقة التي تغفلها القواعد الثابتة تمامًا.

تشير الأبحاث إلى أن أساليب كشف الاحتيال التقليدية تعجز عن مواكبة استراتيجيات الاحتيال المتطورة، مما يساهم في خسائر مالية عالمية تُقدر بنحو 1.4 تريليون دولار. هذا ليس خطأً مطبعياً. خمسة تريليونات دولار.

تتكيف نماذج التعلم الآلي. فمع تغيير المحتالين لأساليبهم، تتعلم الخوارزميات من الأنماط الجديدة دون الحاجة إلى إعادة برمجة يدوية. هذا التكيف الديناميكي يجعلها متفوقة بشكل جوهري على الأنظمة التقليدية.

ميزة الحجم

تُجري المؤسسات المالية ملايين المعاملات يومياً. وتقوم خوارزميات التعلم الآلي بتحليل كل معاملة في أجزاء من الثانية، مما يُنشئ ملفات تعريف سلوكية عبر قواعد العملاء بأكملها.

لا يمكن للمحللين البشريين الوصول إلى هذا النطاق. فحتى فرق مكافحة الاحتيال الكبيرة التي تراجع المعاملات المشبوهة تمثل نهجًا تفاعليًا، حيث يتم اكتشاف الاحتيال بعد ظهور الأنماط بدلاً من منعه في الوقت الفعلي.

يسلط بحث شركة IBM حول اكتشاف الاحتيال باستخدام الذكاء الاصطناعي في القطاع المصرفي الضوء على كيفية قيام خوارزميات التعلم الآلي بتحليل مجموعات البيانات الكبيرة لتحديد الأنماط التي يستحيل على الفرق البشرية اكتشافها يدويًا.

تقنيات التعلم الآلي الأساسية للكشف عن الاحتيال

تُعالج مناهج التعلم الآلي المختلفة تحدياتٍ مختلفة في كشف الاحتيال. ويُعدّ فهم متى يُطبّق التعلم الخاضع للإشراف مقابل التعلم غير الخاضع للإشراف هو ما يُحدث الفرق بين التطبيق الفعال وغير الفعال.

نماذج التعلم الخاضع للإشراف

تعتمد تقنية التعلم الخاضع للإشراف على مجموعات بيانات مصنفة - أي المعاملات التي تم تحديدها مسبقًا على أنها احتيالية أو مشروعة. تتعلم الخوارزمية الخصائص المميزة وتطبقها على المعاملات الجديدة.

تشمل التقنيات الخاضعة للإشراف الشائعة ما يلي:

• الانحدار اللوجستي: بسيط ولكنه فعال للتصنيف الثنائي (احتيال/ليس احتيالًا)، خاصة عندما تكون قابلية التفسير مهمة للامتثال التنظيمي
• أشجار القرار: أنشئ مسارات قائمة على القواعد عبر متغيرات متعددة، يسهل شرحها لأصحاب المصلحة غير التقنيين.
• الغابات العشوائية: أسلوب التجميع الذي يجمع بين أشجار القرار المتعددة، مما يقلل من التجاوز ويحسن الدقة
• الشبكات العصبية: نماذج التعلم العميق التي تحدد الأنماط غير الخطية المعقدة في البيانات عالية الأبعاد
• تعزيز التدرج: تقنية التجميع التسلسلي التي تصحح أخطاء النماذج السابقة، وغالبًا ما تحقق أعلى معدلات الدقة

أظهرت الأبحاث التي نشرتها جامعة جورجيا الجنوبية كيف تكشف الشبكات العصبية العميقة عن الاحتيال في المعاملات المالية، وخاصة بالنسبة للأنماط التي تتغير باستمرار.

يكمن التحدي في أن التعلم الخاضع للإشراف يتطلب بيانات تدريبية مصنفة بكميات كبيرة. أما بالنسبة لأنواع الاحتيال الناشئة، فلا تتوفر هذه البيانات التاريخية بعد.

أساليب التعلم غير الخاضع للإشراف

لا تحتاج الخوارزميات غير الخاضعة للإشراف إلى بيانات مصنفة. بدلاً من ذلك، فهي تحدد الحالات الشاذة - المعاملات التي تنحرف بشكل كبير عن الأنماط الطبيعية.

التقنيات الرئيسية غير الخاضعة للإشراف:

• التجميع (K-means، DBSCAN): يجمع المعاملات المتشابهة معًا، مع الإشارة إلى القيم الشاذة التي لا تتناسب مع أي مجموعة.
• غابات العزلة: مصمم خصيصًا للكشف عن الحالات الشاذة، وعزل نقاط البيانات غير العادية
• أجهزة التشفير التلقائي: الشبكات العصبية التي تتعلم إعادة بناء المعاملات العادية، وتكافح المعاملات الاحتيالية.

يتفوق التعلم غير الخاضع للإشراف في كشف أساليب الاحتيال الجديدة. فعندما يبتكر المحتالون أساليب جديدة كلياً، تقوم هذه الخوارزميات برصد الأنشطة المشبوهة دون وجود أمثلة سابقة.

المقابل؟ ارتفاع معدلات النتائج الإيجابية الخاطئة مقارنةً بالأساليب الخاضعة للإشراف. لا يعني الشيء غير المألوف بالضرورة أنه احتيالي، بل يعني فقط أنه مختلف.

الأساليب الهجينة وشبه الخاضعة للإشراف

تجمع العديد من أنظمة الإنتاج بين الأساليب. يستخدم التعلم شبه الموجه كميات صغيرة من البيانات المصنفة بالإضافة إلى كميات كبيرة من المعاملات غير المصنفة، مستفيدًا من كلا النموذجين.

تمثل الشبكات العصبية البيانية تقنية متقدمة أخرى. فهي تحلل العلاقات بين الكيانات - ليس فقط المعاملات الفردية، بل شبكات الحسابات والأجهزة والتجار المتصلة. وهذا يكشف عن شبكات الاحتيال المنسقة التي لا يكشف عنها تحليل المعاملات الفردية.

تطبيقات عملية في مختلف الصناعات

لا يقتصر الكشف عن الاحتيال باستخدام التعلم الآلي على قطاع واحد. تواجه الصناعات المختلفة تحديات فريدة في مجال الاحتيال، ويعالجها التعلم الآلي بطرق متخصصة.

الخدمات المصرفية والمالية

تستخدم البنوك تقنيات التعلم الآلي في رصد مختلف أساليب الاحتيال في آن واحد. ويظل الكشف عن الاحتيال في بطاقات الائتمان التطبيق الأكثر وضوحاً، حيث يقوم بتحديد عمليات الشراء المشبوهة قبل إتمامها.

لكن التعلم الآلي يراقب أيضًا:

• محاولات اختراق الحساب (أنماط تسجيل دخول غير معتادة، تغييرات في الجهاز)
• الاحتيال في التحويلات البنكية (تحليل حساب الوجهة، واختلافات المبالغ)
• شبكات غسيل الأموال (سلاسل المعاملات، أنماط الهيكلة)
• سرقة الهوية أثناء فتح الحساب (التحقق من المستندات، والبيانات البيومترية السلوكية)

وفقًا لتقرير Feedzai لعام 2025 حول اتجاهات الذكاء الاصطناعي في الاحتيال والجرائم المالية، فإن 90% من المؤسسات المالية تستخدم بالفعل الذكاء الاصطناعي والتعلم الآلي لمنع الاحتيال.

تحدد معايير NIST المتطلبات الفنية للتحقق من الهوية والمصادقة الرقمية، على الرغم من أنه يجب التحقق من عتبات معدل النتائج الإيجابية الخاطئة البيومترية المحددة في وثائق NIST SP 800-63 الكاملة.

التجارة الإلكترونية والتجزئة

يواجه التجار الإلكترونيون تحديات مختلفة عن تلك التي تواجهها البنوك. فهم بحاجة إلى كشف عمليات الاحتيال دون إحداث أي عوائق في عملية الدفع تُنفر العملاء.

تحليل نماذج التعلم الآلي للتجارة الإلكترونية:

• سرعة الشراء (طلبات متعددة في فترات زمنية قصيرة)
• تحديد بصمة الجهاز (تكوين المتصفح، اتساق عنوان IP)
• تحليل عنوان الشحن (شركات الشحن، صناديق البريد، عدم التطابق مع عنوان الفوترة)
• الإشارات السلوكية (حركات الماوس، أنماط الكتابة، مدة الجلسة)

الهدف ليس مجرد منع الاحتيال، بل هو الموافقة على أكبر عدد ممكن من المعاملات المشروعة مع تقليل عمليات رد المبالغ المدفوعة إلى أدنى حد.

معالجة مطالبات التأمين

تُكلّف عمليات الاحتيال التأميني قطاع التأمين مليارات الدولارات سنوياً. تقوم خوارزميات التعلم الآلي بتقييم المطالبات بحثاً عن أنماط مشبوهة مثل:

• توقيت المطالبة (مباشرة بعد بدء سريان وثيقة التأمين)
• أنماط تاريخية (مطالبات متعددة من أطراف ذات صلة)
• تفاصيل المطالبة (أوصاف الحوادث المطابقة لنماذج الاحتيال المعروفة)
• مخالفات في الفواتير الطبية (إجراءات غير ضرورية، تكاليف مبالغ فيها)

تعطي هذه الأنظمة الأولوية للمطالبات التي تخضع لمراجعة المحققين بدلاً من رفضها تلقائياً، مما يوازن بين منع الاحتيال ومعالجة المطالبات المشروعة.

تطبيق تقنيات التعلم الآلي لكشف الاحتيال باستخدام الذكاء الاصطناعي المتفوق

غالباً ما يتطلب اكتشاف الاحتيال تحليل كميات كبيرة من المعاملات والإشارات السلوكية والبيانات التشغيلية في الوقت الفعلي. متفوقة الذكاء الاصطناعي يمكن أن يساعد ذلك المؤسسات على تطوير أنظمة التعلم الآلي التي تحدد الأنشطة المشبوهة أو الأنماط غير العادية أو المخاطر المحتملة بكفاءة أكبر.

بإمكان شركة AI Superior دعم مشاريع كشف الاحتيال من خلال:

• مراجعة مجموعات بيانات المعاملات والسلوك
• تحديد حالات استخدام كشف الاحتيال وسيناريوهات المخاطر
• بناء نماذج إثبات المفهوم
• تطوير أنظمة الكشف عن الشذوذ أو تصنيفه
• اختبار موثوقية النموذج ومعدلات النتائج الإيجابية الكاذبة
• تخطيط التكامل مع أنظمة مراقبة الاحتيال الحالية
• دعم النشر في سير العمليات التشغيلية

أما بالنسبة للكشف عن الاحتيال، فقد ينطبق ذلك على الاحتيال في المدفوعات، والكشف عن إساءة استخدام الحساب، ومراقبة المعاملات، وتحليل الاحتيال التأميني، والتحقق من الهوية، وتحليل المخاطر المالية.

تحدث مع الذكاء الاصطناعي المتفوق حول آلية كشف الاحتيال.

التحديات الحرجة في كشف الاحتيال باستخدام التعلم الآلي

إن تطبيق التعلم الآلي للكشف عن الاحتيال ليس بالأمر السهل. تظهر العديد من العقبات باستمرار في جميع عمليات النشر.

مجموعات البيانات غير المتوازنة

تكمن المشكلة في أن المعاملات الاحتيالية تمثل نسبة ضئيلة من إجمالي حجم المعاملات، وغالبًا ما تقل عن 1%. عندما تحتوي بيانات التدريب على 99.5% من المعاملات المشروعة و0.5% من المعاملات الاحتيالية، تميل نماذج التعلم الآلي إلى تحسين الأداء للفئة الأكثر شيوعًا.

تتعلم الخوارزمية تصنيف كل شيء على أنه شرعي، ومع ذلك تحقق دقة 99.5%. عديمة الفائدة.

تشمل الحلول ما يلي:

• زيادة تمثيل حالات الاحتيال (تقنية زيادة تمثيل الأقلية الاصطناعية - SMOTE)
• تقليل عدد المعاملات المشروعة
• تعديل أوزان الفئات في دالة الخسارة
• استخدام مقاييس التقييم التي تتجاوز الدقة (الدقة، الاستدعاء، درجة F1)

يعتمد النهج الصحيح على أولويات العمل. عادةً ما تعطي الخدمات المصرفية الأولوية للاسترجاع (الكشف عن جميع عمليات الاحتيال، وقبول المزيد من النتائج الإيجابية الخاطئة)، بينما تركز التجارة الإلكترونية على الدقة (تقليل احتكاك العملاء).

قابلية تفسير النموذج والامتثال التنظيمي

تُطالب الهيئات التنظيمية المالية بشكل متزايد بتقديم تفسيرات للقرارات الآلية. فعندما يرفض نموذج التعلم الآلي معاملة ما، يجب على المؤسسة توضيح السبب.

تعمل الشبكات العصبية العميقة كصناديق سوداء. فهي تحقق دقة عالية لكنها لا تقدم استنتاجات قابلة للتفسير البشري، مما يخلق مخاطر تنظيمية.

أعلنت لجنة التجارة الفيدرالية عن عملية "الامتثال للذكاء الاصطناعي" في سبتمبر 2024، بهدف مكافحة الادعاءات المضللة المتعلقة بالذكاء الاصطناعي. ويتعين على المؤسسات إثبات أن أنظمة كشف الاحتيال لديها تعمل كما هو مُعلن عنها، وأن تلتزم بقوانين حماية المستهلك.

تُعطي بعض المؤسسات الأولوية للنماذج القابلة للتفسير، مثل أشجار القرار أو الانحدار اللوجستي، على الرغم من دقتها الأقل قليلاً. بينما تستخدم مؤسسات أخرى تقنيات التفسير اللاحق، مثل SHAP (تفسيرات شابلي الإضافية) أو LIME (التفسيرات المحلية القابلة للتفسير والمستقلة عن النموذج)، لتفسير النماذج المعقدة.

الخصوم التكيفيون

المحتالون ليسوا ثابتين. إنهم يختبرون باستمرار وسائل الحماية، ويتعلمون السلوكيات التي تؤدي إلى تعطيلها وتلك التي تتسلل من خلالها.

يُؤدي هذا إلى سباق تسلح. يجب إعادة تدريب نماذج التعلم الآلي بانتظام على بيانات جديدة، مع دمج أنماط الاحتيال الجديدة فور ظهورها. وتختلف وتيرة إعادة التدريب - فبعض الأنظمة تُحدّث بياناتها يوميًا، بينما تُحدّث أنظمة أخرى بياناتها أسبوعيًا أو شهريًا.

تُسلّط المناقشات المجتمعية بين المتخصصين في مكافحة الاحتيال الضوء على هذا التحدي بشكل متكرر. وتتبادل شبكات الاحتيال المعلومات حول الأساليب التي تُجدي نفعاً حالياً ضد تجار أو بنوك محددة.

خصوصية البيانات والأمن

يتطلب تدريب نماذج فعالة للكشف عن الاحتيال الوصول إلى بيانات المعاملات التفصيلية ومعلومات العملاء وأنماط سلوكهم. وهذا يثير مخاوف تتعلق بالخصوصية.

تُقيّد لوائح مثل اللائحة العامة لحماية البيانات (GDPR) وقانون خصوصية المستهلك في كاليفورنيا (CCPA) كيفية قيام المؤسسات بجمع البيانات الشخصية وتخزينها ومعالجتها. ويجب أن تتوافق تطبيقات التعلم الآلي مع هذه اللوائح مع الحفاظ على فعاليتها.

يُقدّم التعلّم الموحّد حلاً واحداً، وهو تدريب النماذج عبر مجموعات بيانات موزّعة دون مركزية المعلومات الحساسة. تقوم كل مؤسسة بالتدريب محلياً، ولا تشارك سوى تحديثات النموذج بدلاً من البيانات الخام.

أفضل ممارسات التنفيذ

ينبغي على المؤسسات التي تستخدم أنظمة الكشف عن الاحتيال القائمة على التعلم الآلي اتباع هذه الأساليب المثبتة لتحقيق أقصى قدر من النجاح.

ابدأ بمؤشرات الأداء الرئيسية للأعمال

لا تُترجم المقاييس التقنية، مثل دقة النموذج، بشكل مباشر إلى قيمة تجارية. حدد ما يهم:

• نسبة الاحتيال الذي تم اكتشافه إلى نسبة الاحتيال الذي تم اكتشافه (معدل الاكتشاف)
• معدل النتائج الإيجابية الخاطئة وتكاليف الاحتكاك المرتبطة بها مع العملاء
• حجم المراجعة اليدوية (عدد ساعات المحلل المطلوبة)
• الإيرادات المفقودة بسبب حظر المعاملات المشروعة
• متوسط الوقت اللازم لاكتشاف الاحتيال (زمن الكشف)

قم بتحسين النماذج لتحقيق هذه النتائج التجارية، وليس لتحقيق مقاييس تقنية مجردة.

بناء خطوط بيانات قوية

لا تُحقق نماذج التعلم الآلي أداءً جيدًا إلا بقدر جودة بيانات التدريب الخاصة بها. استثمر بكثافة في:

• التحقق من جودة البيانات (اكتشاف الأخطاء وتصحيحها)
• هندسة الميزات (إنشاء متغيرات ذات معنى من البيانات الأولية)
• بنية تحتية للبيانات في الوقت الفعلي (تسجيل منخفض زمن الاستجابة)
• دقة التصنيف (تحديد الاحتيال بشكل صحيح في مجموعات التدريب)

تُظهر الأبحاث أن جودة البيانات غالباً ما تكون أهم من اختيار الخوارزمية. فالنموذج البسيط الذي يعمل على بيانات نظيفة وذات صلة يتفوق على النموذج المعقد الذي يعمل على بيانات مشوشة وغير مُنسقة بشكل جيد.

دمج التعلم الآلي مع الخبرة البشرية

يبدو الكشف الآلي الكامل عن الاحتيال فعالاً، لكنه نادراً ما يعمل على النحو الأمثل. أفضل الأنظمة تجمع بين التعلم الآلي والتقييم البشري.

تتولى خوارزميات التعلم الآلي معالجة كميات كبيرة من البيانات في الوقت الفعلي. فهي تقيّم كل معاملة وتوافق عليها أو ترفضها تلقائيًا بناءً على عتبات المخاطر.

يقوم المحللون البشريون بالتحقيق في الحالات الحدية - وهي المعاملات التي تقع في المنطقة الوسطى غير المؤكدة. كما يقدمون ملاحظات تُحسّن تدريب النموذج، وتصحح النتائج الإيجابية الخاطئة، وتؤكد حالات الاحتيال الحقيقية.

يستفيد هذا النهج الهجين من نقاط قوة كل مكون. تعالج الآلات البيانات على نطاق واسع وبسرعة عالية، بينما يساهم البشر بفهم السياق والقدرة على التكيف مع المواقف الجديدة.

تطبيق المراقبة المستمرة

تتدهور نماذج التعلم الآلي بمرور الوقت مع تغير أنماط الاحتيال. يجب أن يتتبع نظام مراقبة أداء النموذج ما يلي:

• دقة التنبؤ بالمعاملات الأخيرة
• معدلات النتائج الإيجابية الخاطئة والنتائج السلبية الخاطئة حسب نوع الاحتيال
• تغيرات أهمية الميزات (أي المتغيرات الأكثر أهمية)
• انحراف البيانات (الخصائص الإحصائية لانحراف البيانات الواردة)

عند تراجع الأداء، يتم تفعيل إعادة تدريب النموذج أو تحديث الميزات. تقوم بعض الفرق بتطبيق مسارات إعادة تدريب تلقائية، بينما تستخدم فرق أخرى بوابات مراجعة يدوية قبل نشر النماذج المحدثة.

التقنيات الناشئة والاتجاهات المستقبلية

يستمر الكشف عن الاحتيال باستخدام التعلم الآلي في التطور بسرعة. وتُظهر العديد من التقنيات الناشئة إمكانات كبيرة.

الشبكات العصبية البيانية

يقوم التعلم الآلي التقليدي بتحليل المعاملات الفردية بمعزل عن بعضها البعض. أما الشبكات العصبية البيانية فتدرس العلاقات - الروابط بين الحسابات والتجار والأجهزة والمواقع الجغرافية.

يكشف تحليل الشبكة هذا عن شبكات الاحتيال المنسقة. فعندما تتشارك حسابات متعددة تبدو غير مرتبطة ببعضها البعض في بصمات الأجهزة أو عناوين IP أو أنماط المعاملات، تحدد الشبكات العصبية الرسومية الروابط التي تشير إلى الاحتيال المنظم.

تلجأ المؤسسات المالية بشكل متزايد إلى استخدام النماذج القائمة على الرسوم البيانية للكشف عن غسيل الأموال، حيث تخفي سلاسل المعاملات عبر وسطاء متعددين مصدر الأموال.

التعلم الموحد

لا تستطيع البنوك والتجار عادةً تبادل بيانات الاحتيال بسبب مخاوف تنافسية ولوائح الخصوصية. يُمكّن التعلم الموحد من تدريب النماذج بشكل تعاوني دون مشاركة البيانات.

تُدرّب كل مؤسسة نموذجها محلياً باستخدام بياناتها الخاصة. ولا تُشارك مع المنسق المركزي سوى تحديثات النموذج - تعديلات الأوزان الرياضية. ويقوم المنسق بدمج هذه التحديثات في نموذج عالمي مُحسّن دون الاطلاع على بيانات المعاملات الأولية.

يتيح هذا النهج للصناعة مكافحة الاحتيال بشكل جماعي مع الحفاظ على المعلومات التنافسية وخصوصية العملاء.

تقنيات الذكاء الاصطناعي القابلة للتفسير

مع تزايد مطالب الجهات التنظيمية بالشفافية، تكتسب أساليب الذكاء الاصطناعي القابلة للتفسير أهمية متزايدة. إذ تُنتج هذه التقنيات تفسيرات مفهومة للبشر لتوقعات التعلم الآلي.

تُحدد قيم SHAP مساهمة كل ميزة في التنبؤ المحدد. يُقارب LIME النماذج المعقدة محليًا بنماذج قابلة للتفسير. تُبرز آليات الانتباه في الشبكات العصبية عناصر البيانات التي أثرت في القرارات.

ستدمج أنظمة الكشف عن الاحتيال المستقبلية إمكانية التفسير منذ البداية بدلاً من إضافتها لاحقاً.

معالجة البيانات المتدفقة في الوقت الحقيقي

تقوم أنظمة المعالجة الدفعية التقليدية بتحليل المعاملات بعد ساعات أو أيام من حدوثها. أما أنظمة الوقت الفعلي فتقيّم المعاملات أثناء عملية التفويض - قبل تحويل الأموال.

تُمكّن تقنيات الذكاء الاصطناعي الطرفية والأنظمة الموزعة من إجراء هذا التحليل فائق السرعة. وتوفر منصات الحوسبة السحابية البنية التحتية اللازمة لمعالجة ملايين المعاملات في الثانية الواحدة بأوقات استجابة لا تتجاوز أجزاء من الثانية.

كلما تم اكتشاف الاحتيال بشكل أسرع، قلّت الخسائر المالية.

اختيار منصة التعلم الآلي المناسبة

تواجه المؤسسات قرارات بشأن تطوير أنظمة داخلية أو شرائها عند تطبيق أنظمة كشف الاحتيال. وتؤثر عدة عوامل على هذا الاختيار.

التطوير الداخلي

يُتيح بناء أنظمة التعلم الآلي المُخصصة أقصى قدر من المرونة والتحكم. ويمكن للمؤسسات تحسينها بما يتناسب مع أنماط الاحتيال الخاصة بها، ومصادر البيانات، ومتطلبات أعمالها.

لكن هذا النهج يتطلب استثماراً كبيراً:

• فريق علوم البيانات ذو خبرة في مجال الاحتيال
• هندسة التعلم الآلي لنشر الإنتاج وتوسيع نطاقه
• بنية تحتية للتقييم الفوري وتدريب النماذج
• الصيانة المستمرة وتحديثات الطراز

عادةً ما تسعى المؤسسات الكبيرة التي تمتلك موارد تقنية كبيرة إلى تطوير برامجها بالكامل داخلياً.

حلول الموردين

توفر منصات كشف الاحتيال التابعة لجهات خارجية نماذج تعلم آلي جاهزة، وقنوات بيانات، وأدوات تكامل. كما أنها توفر قيمة أسرع مع استثمار أولي أقل.

تشمل معايير التقييم الرئيسية ما يلي:

• أداء النموذج في أنواع الاحتيال المماثلة وأحجام المعاملات
• متطلبات التكامل (واجهات برمجة التطبيقات، تنسيقات البيانات، زمن الاستجابة)
• إمكانيات التخصيص (ضبط العتبات، إضافة الميزات)
• ميزات التفسير والامتثال
• هيكل التسعير (لكل معاملة، اشتراك، قائم على المخاطر)

يتخصص العديد من الموردين في قطاعات أو أنواع محددة من الاحتيال. فالحل الأمثل لمكافحة الاحتيال ببطاقات الائتمان قد لا يكون فعالاً بالضرورة في مطالبات التأمين أو الاستيلاء على الحسابات.

الأساليب الهجينة

تجمع بعض المؤسسات بين منصات الموردين والنماذج المخصصة. وقد تستخدم حلولاً تجارية لأنماط الاحتيال الشائعة، بينما تقوم في الوقت نفسه بتطوير نماذج متخصصة للمخاطر الفريدة.

ويوازن هذا بين سرعة الوصول إلى السوق والتخصيص، والاستفادة من الخبرات الخارجية مع بناء القدرات الداخلية.

قياس النجاح والعائد على الاستثمار

تتطلب استثمارات الكشف عن الاحتيال باستخدام التعلم الآلي مقاييس نجاح واضحة لتبرير الإنفاق المستمر.

الأثر المالي المباشر

حساب الخسائر الناتجة عن الاحتيال التي تم تجنبها:

• إجمالي محاولات الاحتيال (المكتشفة وغير المكتشفة)
• كشف نظام التعلم الآلي عن عملية احتيال
• القيمة الدولارية للاحتيال الذي تم منعه

قارن هذا بتكاليف النظام (التطوير، البنية التحتية، الصيانة، وقت المحلل) لتحديد صافي العائد على الاستثمار.

لا تنسَ احتساب حالات الحظر الخاطئة. فالمعاملات المشروعة المحظورة تُمثّل خسارة في الإيرادات واستياءً لدى العملاء. وقد يتخلى بعض العملاء عن التجار نهائيًا بعد انخفاض عمليات الشراء المشروعة.

كفاءة العملية

ينبغي لأنظمة التعلم الآلي أن تقلل من عبء المراجعة اليدوية. المسار:

• ساعات المحللين التي تم قضاؤها في مراجعة المعاملات التي تم الإبلاغ عنها
• نسبة المعاملات التي تتطلب مراجعة بشرية
• حان الوقت لحل قضايا الاحتيال

مع تحسن النماذج، ينبغي اتخاذ قرارات تلقائية بشأن المزيد من المعاملات (الموافقة عليها أو رفضها) مع تقليل عدد المعاملات التي تتطلب تحقيقًا من قبل المحللين.

مقاييس تجربة العملاء

لا ينبغي أن تؤثر إجراءات منع الاحتيال سلبًا على تجربة العملاء. راقب:

• معدلات الموافقة على المعاملات
• شكاوى العملاء بشأن عمليات الرفض غير الصحيحة
• صعوبة في المصادقة (خطوات تحقق إضافية مطلوبة)
• الاحتفاظ بالعملاء بعد حوادث الاحتيال أو حالات الرفض الخاطئ

يظل الهدف هو الموافقة على أكبر عدد ممكن من المعاملات المشروعة مع كشف عمليات الاحتيال - وليس مجرد تقليل المخاطر بأي ثمن.

الأسئلة الشائعة