الذكاء الاصطناعي في اكتشاف الاحتيال المالي.. كيف تتعرف الأنظمة على المعاملات المشبوهة؟
تعرف على دور الذكاء الاصطناعي في اكتشاف الاحتيال المالي، وتحليل أنماط المعاملات، وتقليل الخسائر، والتحديات المتعلقة بالأخطاء والخصوصية.
لماذا تعتمد المؤسسات المالية على تحليل البيانات؟
تتعامل البنوك وشركات الدفع الإلكتروني يوميًا مع أعداد كبيرة من المعاملات التي تختلف في قيمتها وتوقيتها ومواقع تنفيذها وأنماطها. ويجعل هذا الحجم من الصعب الاعتماد على المراجعة اليدوية وحدها لاكتشاف كل عملية غير معتادة، خصوصًا عندما يحاول المحتالون تغيير أساليبهم باستمرار.
ولهذا أصبحت الأنظمة الرقمية التي تحلل المعاملات وتبحث عن أنماط غير مألوفة جزءًا من أدوات مكافحة الاحتيال. ويمكن أن يستخدم الذكاء الاصطناعي هذه البيانات لتقدير مستوى المخاطر المرتبط بمعاملة معينة، أو تحديد الحسابات التي تحتاج إلى مراجعة إضافية.
ولا يعني ذلك أن النظام يستطيع معرفة نية صاحب الحساب بصورة مباشرة، بل يحلل مؤشرات مرتبطة بالسلوك المالي ويقارنها بأنماط سابقة أو قواعد محددة. وقد تشير النتيجة إلى ضرورة التحقق من هوية المستخدم، لكنها لا تمثل وحدها دليلًا قاطعًا على وقوع الاحتيال.
كيف يكتشف الذكاء الاصطناعي المعاملات غير المعتادة؟
يمكن للنظام تحليل عدة متغيرات، مثل قيمة المعاملة، وتكرار العمليات، والفاصل الزمني بينها، ونوع الجهاز المستخدم، والأنماط المعتادة للحساب. وقد يكتشف أن حسابًا يجري عادة معاملات محدودة بدأ فجأة في تنفيذ عدد كبير من العمليات خلال وقت قصير.
كما يمكن استخدام نماذج تعلم آلي تتعلم من بيانات تاريخية تتضمن معاملات سليمة وأخرى ثبت ارتباطها بالاحتيال. وتتعرف النماذج على العلاقات التي قد تساعد في تقدير المخاطر عند وصول معاملة جديدة.
وفي بعض الحالات، تُستخدم أساليب اكتشاف الشذوذ للبحث عن سلوك يختلف عن المعتاد، حتى عندما لا تتوافر أمثلة كثيرة على نوع الاحتيال الجديد.
لكن قدرة النظام تعتمد على جودة البيانات وتحديثها، ومدى تمثيلها لأنماط الاحتيال الفعلية. وإذا تغيرت أساليب المهاجمين بسرعة، فقد يحتاج النموذج إلى إعادة تقييم وتحديث حتى لا يستمر في الاعتماد على أنماط قديمة.
هل يستطيع النظام منع الاحتيال قبل وقوعه؟
يمكن ربط نتائج التحليل بإجراءات متعددة، مثل طلب تأكيد إضافي من المستخدم، أو تأخير تنفيذ معاملة لحين المراجعة، أو إرسال تنبيه إلى فريق مكافحة الاحتيال. ويختلف الإجراء المناسب بحسب درجة المخاطر ونوع الخدمة وقيمة العملية.
فعندما يكتشف النظام معاملة مرتفعة المخاطر، قد يطلب من العميل تأكيد هويته من خلال وسيلة إضافية. وفي حالات أخرى، قد تُحال العملية إلى موظف مختص للتحقق من تفاصيلها قبل اتخاذ قرار.
لكن زيادة الحساسية قد تؤدي إلى إيقاف معاملات سليمة، وهو ما يسبب إزعاجًا للعملاء ويزيد عبء المراجعة. وفي المقابل، قد تؤدي القواعد المتساهلة إلى مرور بعض العمليات الاحتيالية.
ولهذا تسعى المؤسسات إلى تحقيق توازن بين تقليل الخسائر وعدم تعطيل المعاملات المشروعة، مع مراجعة أداء الأنظمة باستمرار.
كيف تتعامل الأنظمة مع تغير أساليب المحتالين؟
تتغير أنماط الاحتيال مع تطور الخدمات الرقمية وأساليب التواصل، وقد يستخدم المهاجمون هويات مزيفة أو أجهزة مختلفة أو طرقًا جديدة لإخفاء مصدر المعاملة.
ويمكن أن تساعد نماذج التعلم الآلي في اكتشاف بعض الأنماط المتغيرة، لكنها لا تتكيف دائمًا بصورة تلقائية أو فورية. فقد يتطلب الأمر تحديث البيانات وإعادة تدريب النموذج أو تعديل القواعد التي يعتمد عليها.
كما يمكن أن يستخدم المحتالون أساليب تهدف إلى جعل نشاطهم يبدو طبيعيًا، أو توزيع المعاملات على فترات زمنية مختلفة لتجنب تجاوز حدود معينة.
ولذلك لا ينبغي الاعتماد على نموذج واحد. فقد تجمع المؤسسات بين تحليل المعاملات، والتحقق من الهوية، ومراجعة الأجهزة، وقواعد المخاطر، والتحقيق البشري عند الضرورة.
مشكلة الإنذارات الخاطئة
من أبرز التحديات التي تواجه أنظمة مكافحة الاحتيال احتمال تصنيف معاملة سليمة باعتبارها مشبوهة. وقد يحدث ذلك عندما يسافر العميل إلى بلد جديد، أو يشتري منتجًا مرتفع القيمة بصورة غير معتادة، أو يغير جهازه، أو يستخدم حسابه بطريقة تختلف عن نمطه السابق.
وفي المقابل، قد يفشل النظام في اكتشاف معاملة احتيالية إذا بدت مشابهة للمعاملات المعتادة.
ويجب على المؤسسات قياس نوعي الخطأ، وليس الاكتفاء بمعدل اكتشاف الحالات المشبوهة. كما ينبغي مراجعة أداء النموذج عبر أنواع مختلفة من العملاء والمعاملات، لأن بعض الفئات قد تتأثر بالإنذارات الخاطئة بدرجة أكبر.
ويمكن أن تساعد مراجعة قرارات النظام في اكتشاف التحيزات أو نقاط الضعف، خاصة إذا كانت بعض المتغيرات المستخدمة ترتبط بصورة غير مباشرة بخصائص شخصية أو اجتماعية.
هل يمكن للذكاء الاصطناعي أن يهدد خصوصية العملاء؟
تعتمد أنظمة مكافحة الاحتيال على تحليل بيانات قد تكون حساسة، مثل سجل المعاملات والمواقع والأجهزة وأنماط الإنفاق. ولذلك تحتاج المؤسسات إلى تحديد البيانات الضرورية فعلًا، وتقييد الوصول إليها، والالتزام بالقواعد القانونية ذات الصلة.
كما ينبغي ألا تتحول عملية اكتشاف الاحتيال إلى مراقبة غير محدودة لجميع سلوكيات العملاء. فالغرض من جمع المعلومات يجب أن يكون واضحًا، ويجب الاحتفاظ بها وفق سياسات محددة.
وتحتاج المؤسسات إلى حماية البيانات أثناء التخزين والنقل، وتسجيل عمليات الوصول، والتأكد من أن الموردين الخارجيين يلتزمون بمتطلبات الأمان والخصوصية.
ما دور الموظفين في مكافحة الاحتيال؟
على الرغم من قدرة الخوارزميات على تحليل عدد كبير من المعاملات، تظل الخبرة البشرية مهمة في التعامل مع الحالات المعقدة وتفسير النتائج واتخاذ القرارات التي تتطلب تقديرًا إضافيًا.
وقد يراجع الموظف تفاصيل العملية ويتواصل مع العميل ويتحقق من المستندات أو السياق المحيط بها. كما تساعد ملاحظات فرق مكافحة الاحتيال في تحسين النماذج وتحديد الأنماط الجديدة.
ويجب أن تكون هناك آلية واضحة للاعتراض على القرارات الخاطئة وتصحيحها، خصوصًا عندما يؤدي الاشتباه إلى تعطيل حساب أو منع معاملة ضرورية.
الخلاصة: يمكن للذكاء الاصطناعي أن يعزز اكتشاف الاحتيال المالي من خلال تحليل الأنماط وتحديد المعاملات التي تحتاج إلى مراجعة. لكن فعاليته تعتمد على جودة البيانات والتوازن بين الحماية وسهولة الاستخدام، مع وجود رقابة بشرية وضوابط واضحة للخصوصية.
