كيف يحول الذكاء الاصطناعي منع الاحتيال المالي؟

لقد بلغت الجرائم المالية أبعادًا تتطلب اتباع نهج مختلف جذريًّا في الكشف عنها والوقاية منها. ومع تجاوز خسائر عمليات الاحتيال العالمية 1.03 تريليون دولار أمريكي في عام 2024، وزيادة تعقيد أساليب الاحتيال مع مرور كل ربع سنة، لم يعد بإمكان المؤسسات المالية الاعتماد على المراجعات اليدوية والقواعد الثابتة وحدها. فقد تحول الكشف عن الاحتيال باستخدام الذكاء الاصطناعي من قدرة ناشئة إلى ضرورة تشغيلية.

يجمع اكتشاف الاحتيال المدعوم بالذكاء الاصطناعي بين التعلم الآلي وتحليل البيانات والأتمتة لتحديد الاحتيال المحتمل في الوقت الفعلي عبر القطاع المصرفي والمدفوعات والتأمين والتجارة الإلكترونية. اعتباراً من عام 2025، يستخدم 99 بالمائة من المؤسسات الذكاء الاصطناعي لمنع الاحتيال، مما يعكس مدى ترسيخ هذه التكنولوجيا بعمق عبر قطاع الخدمات المالية. ومع ذلك، لا تزال العديد من المؤسسات تعتمد بشكل كبير على الأنظمة القائمة على القواعد لاتخاذ القرارات الأساسية، مما يترك ثغرات كبيرة. توفر هذه المقالة إرشادات عمل حول كيفية عمل اكتشاف الاحتيال بالذكاء الاصطناعي، والفوائد القابلة للقياس التي يقدمها، والتحديات التي تواجهها المؤسسات، وكيفية تنفيذه بفعالية.

ما هو اكتشاف الاحتيال بالذكاء الاصطناعي وكيف يعمل؟

يستخدم الكشف عن الاحتيال باستخدام الذكاء الاصطناعي نماذج التعلم الآلي والتحليلات لتقييم المعاملات والمستخدمين والكيانات من حيث مخاطر الاحتيال. تستقبل أنظمة الذكاء الاصطناعي هذه البيانات التاريخية، التي غالبًا ما تغطي سنوات من سجلات المعاملات، لتتعلم التمييز بين المعاملات المشروعة والأنشطة الاحتيالية. يتم تدريب نماذج التعلم الآلي على البيانات التاريخية للتعرف على أنماط الاحتيال، وبناء نماذج احتمالية قادرة على تقييم مئات نقاط البيانات في وقت واحد.

يتألف سير العمل القياسي من أربع مراحل:

1. جمع البيانات وهندسة الميزات تسجيل بيانات المعاملات ومعلومات الأجهزة والموقع الجغرافي والإشارات السلوكية.
2. تدريب النموذج باستخدام كل من الطريقتين الخاضعة للإشراف وغير الخاضعة للإشراف.
3. التقييم الفوري حيث تقوم الذكاء الاصطناعي بتحديد درجة مخاطر لكل معاملة لمساعدة عملية اتخاذ القرار.
4. مراجعة بشرية من تنبيهات عالية المخاطر، مدعومة بأدوات قابلية التفسير.

تتعلم نماذج التعلم الخاضع للإشراف من مجموعات البيانات المُصنَّفة، باستخدام حالات الاحتيال المؤكدة لبناء مُصنِّفات. بينما تحدد نماذج التعلم غير الخاضع للإشراف أنماط الاحتيال غير المعروفة من خلال اكتشاف الحالات الشاذة دون تصنيفات مسبقة. وغالباً ما تشغل حلول الذكاء الاصطناعي الحديثة لاكتشاف الاحتيال عمليات الاستدلال في غضون مللي ثانية، مما يتيح اتخاذ القرارات في الوقت الفعلي لمدفوعات البطاقات، والتحويلات المصرفية، وفتح الحسابات الجديدة.

تحليل البيانات في الوقت الفعلي وتقييم المخاطر

عند بدء معاملة بطاقة، يلتقط النظام إشارات متعددة: مبلغ المعاملة، وفئة التاجر، بصمة الجهاز، الموقع الجغرافي بناءً على عنوان بروتوكول الإنترنت (IP)، وسلوك الحساب السابق، ومقاييس السرعة مثل عدد المعاملات التي حدثت في الساعة الماضية. تغذي هذه المدخلات خط أنابيب هندسة الميزات، وغالبًا ما يتم إثراؤها بإشارات خارجية مثل قوائم مراقبة الأجهزة ودرجات سمعتها.

يمكن الذكاء الاصطناعي معالجة مليارات المعاملات في الوقت الفعلي، حاسباً درجة مخاطر (يتم تطبيعها عادةً من 0 إلى 100) لكل حدث في غضون جزء من الألف من الثانية. يتم ضبط العتبات للموازنة بين معدل اكتشاف الاحتيال واحتكاك العملاء. يعمل الذكاء الاصطناعي على الفور لحظر المعاملات الاحتيالية لتقليل الخسائر قبل مغادرة الأموال للمؤسسة. في نشر موثق جيداً،, حسّن بنك «دانسك» من كفاءة الكشف بمقدار 60% وخفض حالات الإيجابية الكاذبة بمقدار 50% باستخدام منصة تعلم آلة لتقييم المعاملات في أقل من 300 ميللي ثانية.

لم تعد الضوابط القائمة على الدفعات أو نهاية اليوم كافية لشبكات الدفع الفوري والخدمات المصرفية عبر الإنترنت على مدار الساعة طوال أيام الأسبوع. أصبح الكشف عن الاحتيال في الوقت الفعلي توقعاً أساسياً الآن.

تعرف على الأنماط، والتحليل السلوki، وكشف الحالات الشاذة

ينشئ الذكاء الاصطناعي خطوط أساسية سلوكية لكل عميل أو حساب أو جهاز أو تاجر على مدار أسابيع وأشهر من النشاط التاريخي. تشمل الميزات النموذجية أوقات تسجيل الدخول المعتادة، وأحجام المعاملات، والمواقع المفضلة، والأطراف المقابلة الشائعة. يقيّم الذكاء الاصطناعي سلوك المستخدم الفردي للإبلاغ عن الحالات الشاذة في المعاملات، مثل التحويل المفاجئ عالي القيمة إلى بلد جديد في تمام الساعة 3 صباحاً من جهاز غير معروف.

يحدد التعرف على الأنماط توقيعات الاحتيال المعروفة، بينما يكشف اكتشاف الشذوذ عن السلوكيات النادرة التي قد تشير إلى مخططات احتيال جديدة. يكتشف التعلم العميق أنماطًا معقدة في البيانات غير الهيكلية، مما يوسع قدرات الكشف إلى ما أبعد مما يمكن للقواعد المهيكلة التقاطه. يحدد الذكاء الاصطناعي الاتصالات الخفية عبر مجموعات البيانات للكشف عن الاحتيال، ويساعد الجمع بين التنميط السلوكي وتحليل الشبكات في كشف عصابات الاحتيال المنظمة، وششبكات الحسابات الوسيطة (الممولين)، واحتيال الهوية الاصطناعية.

التعلم التكيفي والتحسين المستمر للنموذج

يتم تغذية النتائج المصنفة الناتجة عن التحقيقات، سواء كانت احتيالاً مؤكداً أو إنذاراً كاذباً، مرة أخرى في نماذج التعلم الآلي لتحسين دقة اكتشاف الاحتيال بمرور الوقت. تقوم العديد من المؤسسات بإعادة تدريب نماذج الاحتيال الأساسية أسبوعياً أو شهرياً. أ نشر التكنولوجيا المالية في المملكة المتحدة استخدمت عملية إعادة تدريب أسبوعية آلية يتم تفعيلها عند اكتشاف الانحراف، مما أدى إلى انخفاض خسائر الاحتيال بمقدار 78% في غضون 90 يومًا.

يتعلم الذكاء الاصطناعي باستمرار ويتكيف مع أساليب الاحتيال الجديدة، وهو أمر بالغ الأهمية مع تطور التهديدات مثل الاستحواذ على الحسابات المدعومة بتقنية التزييف العميق (ديب فيك) والاحتيال الجديد الذي يستهدف المدفوعات الفورية بسرعة. تراقب أنظمة الذكاء الاصطناعي الأنشطة على مدار الساعة طوال أيام الأسبوع وتؤتمت الردود على الاحتيال، بينما تتابع لوحات معلومات مراقبة النماذج الانحراف، والدقة، والترجيح، والاستقرار.

الأهم من ذلك، أن الذكاء الاصطناعي لا يحل محل محققي الاحتيال، بل يعززهم من خلال تحديث إشارات المخاطر باستمرار على نطاق واسع، مما حرر الفرق البشرية للقيام بالتحقيقات المعقدة التي تتطلب تقديراً سياقياً.

القواعد التقليدية مقابل كشف الاحتيال المدعوم بالذكاء الاصطناعي

يعتمد اكتشاف الاحتيال التقليدي على منطق “إذا/إذن” الذي ينشئه خبراء المجال. وتُجري معظم المؤسسات اليوم نهجاً هجيناً يعمل فيه التعلم الآلي جنباً إلى جنب مع القواعد القديمة بدلاً من استبدالها بين عشية وضحاها. إن القاعدة الثابتة مثل "حظر جميع المعاملات التي تزيد عن 5000 دولار أمريكي من الأجهزة الجديدة" تتسم بالبساطة والشفافية، ولكنها غير مرنة وتفتقر بشكل متزايد إلى الكفاءة في مواجهة تكتيكات الاحتيال الحديثة.

تستطيع خوارزميات الذكاء الاصطناعي التعلم التلقائي للعلاقات المعقدة وغير الخطية عبر مئات المتغيرات، وهو عمل يتطلب آلاف القواعد المصنوعة يدوياً لتكرارها. يمكن للذكاء الاصطناعي تقليل النتائج الإيجابية الخاطئة بشكل كبير من خلال فهم السياق الخاص بالعميل بدلاً من تطبيق عتبات عامة وموحدة تناسب الجميع.

قيود الأنظمة القائمة على القواعد البحتة

تعاني الأنظمة القائمة على القواعد من عدة نقاط ضعف هيكلية في عام 2026:

• معدل إنذارات كاذبة مرتفع من العتبات الواسعة بشكل مبالغ فيه والتي تعيق المعاملات المشروعة
• سهولة التهرب من قبل محتالين يضبطون سلوكهم للبقاء دون عتبات القواعد
• عبء صيانة ثقيل مع نمو مجموعات القواعد لتصل إلى آلاف الشروط المتداخلة
• استجابة بطيئة إلى تكتيكات الاحتيال الجديدة، مثل حملة التصيد الاحتيائي التي تتجاوز القواعد الحالية حتى تقوم الفرق بتحديثها يدويًا بعد أيام

تيتزايد توقعات الجهات التنظيمية بتبني نهج قائمة على البيانات وحساسة للمخاطر بدلاً من القواعد الثابتة بحتة، لا سيما في المجالات عالية المخاطر مثل مكافحة غسل الأموال وفحص العقوبات. وحدها الأنظمة التقليدية لا تستطيع تلبية هذه التوقعات.

كيف يكمل الذكاء الاصطناعي الضوابط الحالية ويحسنها

يمكن للذكاء الاصطناعي أن يعمل كطبقة فوق محركات الاحتيال الحالية لإعادة ترتيب أولويات التنبيهات، أو إعادة تقييم المعاملات، أو التوصية بتغييرات في القواعد بناءً على البيانات المرصودة. في سير العمل المختلط، تتعامل القواعد المحددة مسبقاً مع عمليات التحقق الواضحة منخفضة التعقيد، بينما يركز الذكاء الاصطناعي على الحالات الغامضة أو عالية القيمة التي تتطلب مزيداً من التحقيق.

يمكن نماذج الذكاء الاصطناعي اقتراح قواعد ديناميكية جديدة، مثل حدود المعاملات المخصصة لكل عميل، والتي يمكن فرق العمليات مراجعتها نشرها. يتيح هذا النهج الطبقي للمؤسسات المالية تحسين اكتشاف الاحتيال دون استبدال كامل ومحفوف بالمخاطر للنظام. كما تساعد الرؤى المستولدة بالذكاء الاصطناعي الفرق على التخلص من القواعد الزائدة عن الحاجة من الأنظمة الحالية، مما يسطح الحوكمة ويقلل من عبء الصيانة.

فوائد الكشف عن الاحتيال بالذكاء الاصطناعي للمؤسسات المالية

الفوائد الرئيسية للذكاء الاصطناعي في اكتشاف الاحتيال قابلة للقياس وموثقة جيداً عبر البنوك ومزدي خدمات الدفع والشركات التقنية المالية وشركات التأمين. تمتد الفوائد لتشمل تحسين دقة اكتشاف الاحتيال، وتقليل الإنذارات الكاذبة، واتخاذ القرارات في الوقت الفعلي على نطاق واسع، وتحسين تجربة العملاء، ودعم أقوى الامتثال التنظيمي.

معدلات كشف أعلى وخسائر أقل بسبب الاحتيال

يتيح التدريب على ملايين المعاملات التاريخية للذكاء الاصطناعي اكتشاف تركيبات دقيقة من مؤشرات المخاطر التي قد تغيب عن البشر والقواعد البسيطة. يحسّن الذكاء الاصطناعي دقة الكشف عن الاحتيال بنسبة 40 في المائة مقارنةً بالطرق التقليدية. وفي حالات تطبيق محددة، عززت PayPal دقة الكشف عن الاحتيال في الوقت الفعلي بنسبة 10% باستخدام الذكاء الاصطناعي، بينما حسّنت American Express دقة الكشف عن الاحتيال بنسبة 6% باستخدام نماذج الذكاء الاصطناعي.

تترجم هذه المكاسب مباشرة إلى توفير مالياً من خلال تجنب عمليات الشطب، ورفض المدفوعات (الاسترداد)، وتكاليف التحقيق. نجح أحد البنوك الرائدة في الشرق الأوسط في خفض معدل «النتائج الإيجابية الخاطئة» بنسبة 71% وتحسين معدل «الاسترجاع» بمقدار 18 نقطة, ، مما يتجنب 24 مليون دولار أمريكي من عمليات الاحتيال في الدفع سنويًا. حتى التحسن بنسبة متواضعة في معدلات اكتشاف الاحتيال يمكن أن يوفر ملايين للمؤسسات التي تعالج مليارات المدفوعات.

عدد أقل من الإيجابيات الكاذبة وتجربة عملاء أفضل

لا تزال النتائج الإيجابية الخاطئة من أكثر المشكلات تكلفةً في مجال إدارة الاحتيال. فهي تمثل معاملات مشروعة تم تصنيفها خطأً على أنها احتيال، مما يؤدي إلى رفض المدفوعات أو اتخاذ إجراءات تحقق غير ضرورية. ويمكن للذكاء الاصطناعي أن يقلل النتائج الإيجابية الخاطئة في الكشف عن الاحتيال بنسبة 40%، مما يتيح للمحللين التركيز على التنبيهات التي تنطوي فعليًّا على مخاطر عالية، بدلاً من مراجعة كميات ضخمة من الأحداث غير الضارة.

تأمل مسافراً يقوم بعملية شراء ببطاقة في الخارج. من المرجح أن تؤدي الطرق التقليدية إلى حظر المعاملات بناءً على القواعد الجغرافية. يتعرف الذكاء الاصطناعي على النمط باعتباره متسقاً مع سجل سفر العميل وجهاز الإنفاق الخاص به، مما يسمح بإتمامها. تؤدي انخفاض معدلات الإيجابيات الكاذبة إلى تقليل شكاوى العملاء وتسربهم، وهي ميزة استراتيجية في الأسواق التنافسية حيث تدفع الاحتكاكات العملاء إلى مزودين بديلين.

منع الاحتيال الفوري والقابل للتوسع

يمكن لننماذج الذكاء الاصطناعي المنتشرة على البنية التحتية الحديثة معالجة عشرات الآلاف من المعاملات في الثانية بأوقات استجابة تبلغ بلي ثانية. يمكن للذكاء الاصطناعي تحليل مليارات المعاملات في الوقت الفعلي، مما يجعل الكشف عن الاحتيال في الوقت الفعلي أمراً إلزامياً للدفعات الفورية، والتحويلات من نظير إلى نظير، والقنوات الرقمية على مدار الساعة طوال أيام الأسبوع. تعالج أنظمة الذكاء الاصطناعي مجموعات البيانات الكبيرة بشكل أسرع من فرق العمل البشرية لأغراض المراقبة، وتعمل هذه السرعة على القضاء على الفجوة التي تتركها عمليات الدفعات الليلية التقليدية مفتوحة.

يتم توسيع نطاق الذكاء الاصطناعي أفقيًا عبر المناطق الجغرافية وخطوط الأعمال، مما يدعم البنوك وشبكات الدفع والتجار على منصة اكتشاف واحدة. كما يعمل الوقاية في الوقت الفعلي على تقليل عبء العمل اللاحق المتعلق بالنزاعات وشكاوى العملاء.

دعم الامتثال التنظيمي وقابلية التدقيق

تيتوقع الجهات التنظيمية في جميع أنحاء العالم ضوابط قوية للكشف عن الاحتيال المالي، ومكافحة غسيل الأموال، وفحص العقوبات. توفر أنظمة الكشف عن الاحتيال الحديثة المدعومة بالذكاء الاصطناعي سجلات مفصلة، وتفسيرات للنماذج، ومسارات تدقيق مناسبة للمراجعة الداخلية والتنظيمية. توضح تقنيات الذكاء الاصطناعي القابل للتفسير العوامل التي ساهمت في الحصول على درجة خطورة معينة، مما يدعم المعاملة العادلة والامتثال التنظيمي.

يساعد الذكاء الاصطناعي المتقدم المؤسسات على الامتثال لللوائح التنظيمية مثل PSD2/PSD3 في أوروبا وقانون الذكاء الاصطناعي للاتحاد الأوروبي من خلال إظهار مراقبة استباقية قائمة على المخاطر. ومع وجود 99% من المؤسسات التي تستخدم حاليًا الذكاء الاصطناعي في أنظمة منع الاحتيال، ترفع الجهات التنظيمية سقف التوقعات فيما يتعلق بدرجة تطور وشفافية هذه الضوابط.

التقنيات المتقدمة للذكاء الاصطناعي في الكشف عن الاحتيال

تجاوزت حلول الكشف عن الاحتيال الحديثة المدعومة بالذكاء الاصطناعي وحدات تصنيف التعلم الآلي الأساسية. يتم بشكل متزايد دمج تقنيات مثل القياسات الحيوية السلوكية، واكتشاف الحالات الشاذة، والتحليل القائم على الرسم البياني، وتطبيقات الذكاء الاصطناعي التوليدي في بنى متعددة الطبقات للكشف عن الاحتيال عبر أبعاد متعددة.

القياسات الحيوية السلوكية وذكاء الأجهزة

تحلل المقاييس الحيوية السلوكية كيفية تفاعل المستخدمين مع التطبيقات، بما في ذلك إيقاع الكتابة، وحركة الفأرة، وإيماءات شاشة اللمس، للكشف عن الشذوذ الذي يشير إلى الاستحواذ على الحساب أو انتحال الشخصية. يساعد ذكاء الجهاز من خلال بصمات الأصابع، وتحديد نظام التشغيل، وبيانات المستشعرات في ربط الجلسات وتحديد الأنماط المشبوهة من الأجهزة الجديدة.

هذه الطرق غير مرئية إلى حد كبير للمستخدمين الشرعيين، مما يحسن الأمان دون إضافة تعقيد. إن الجمع بين أنماط السلوك ودرجات مخاطر المعاملات يتيح اتخاذ قرارات أكثر دقة من استخدام أي من الإشارتين بمفردها، مما يعزز قدرات الكشف الشامل عن الاحتيال.

كشف الشذوذ والتعلم غير المُشرف عليه

تعد خوارزميات كشف الشذوذ ضرورية لاكتشاف أنماط احتيال جديدة وغير سابقة الذكور لا تغطيها بيانات التدريب المصنفة. ومن الأمثلة على ذلك الارتفاعات المفاجئة في طلبات الاسترداد من تاجر معين أو المجموعات غير العادية من المدفوعات صغيرة القيمة التي تشير إلى الهيكلة.

يمكن للتعلم الآلي غير المُشرف عليه تجميع السلوكيات المتشابهة والإبلاغ عن القيم المتطرفة على مستوى العميل أو التاجر أو الجهاز. ومع ذلك، فإن الحالات الشاذة لا تكون احتيالاً دائماً. توجّه سير العمل الفعّال الأحداث المُبلّغ عنها إلى المحللين أو النماذج الثانوية للمراجعة السياقية، مما يضع اكتشاف الحالات الشاذة ك مكمل لنماذج الاحتيال المُشرف عليها بدلاً من أن يكون بديلاً لها.

الذكاء الاصطناعي للرسوم البيانية واكتشاف الاحتيال القائم على الشبكات

نماذج الذكاء الاصطناعي القائمة على الرسوم البيانية (Graph AI) تُنمذج العلاقات بين الكيانات، بما في ذلك العملاء، والأجهزة، وCالبريد الإلكتروني، والحسابات المصرفية، لاكتشاف شبكات الاحتيال المخفية. تتتبع شبكات العصبون البيانية (Graph neural networks) الأنماط في بيانات المعاملات المعقدة، كاشفةً عن روابط تعجز الأنظمة التقليدية عن رصدها تماماً. على سبيل المثال، قد تكشف حسابات متعددة تبدو غير مرتبطة وتتشارك مجموعة صغيرة من الأجهزة وعناوين بروتوكول الإنترنت (IP) عن شبكة أموال مسروقة (مُحوَلة) تُنسق عمليات غسيل الأموال.

يمكن الذكاء الاصطناعي التنبؤ بسلوك الاحتيال المستقبلي من خلال تقييم علاقات الشبكة. الأبحاث الحديثة مثل نموذج CMSGNN-SAO يلتقط علاقات طوبولوجية أعلى رتبة بين بيانات المعاملات من أجل رصد أكثر دقة لعصابات الاحتيال المنظم واحتيال الهوية الاصطناعية.

الذكاء الاصطناعي التوليدي: تهديدات جديدة وقدرات دفاعية

يمثل الذكاء الاصطناعي التوليدي تحدياً ذا حدين. يستخدمه المجرمون لإنتاج رسائل تصيد احتيالي واقعية، وهويات مصطنعة، وملفات صوتية أو مرئية مزيفة (ديب فيك) للهندسة الاجتماعية. وقد استُخدمت عمليات الاحتيال باستنساخ الأصوات لتفويض تحويلات مالية احتيالية وانتحال شخصيات المديرين التنفيذيين. وبلغت الخسائر الناجمة عن احتيال التزييف العميق 1.1 مليار دولار أمريكي في عام 2025.

على الجانب الدفاعي، يمكن للذكاء الاصطناعي التوليدي إنشاء بيانات اصطناعية لتدريب النماذج، وتعزيز حالات الاحتيال المسماة النادرة. يستخدم المدافعون أيضاً طرقاً توليدية لمحاكاة سيناريو الهجمات واكتشاف المحتوى المتلاعب به. يجب على الذکاء الاصطناعي الآن فحص المحتوى، والسياق، وسلوك المستخدم معاً لتحديد الأنماط التي تميز التفاعلات المشروعة عن محاولات الاحتيال التي تولدها الذكاء الاصطناعي. يعد البحث والتطوير المستمر أمراً بالغ الأهمية لمكافحة الاحتيال المدفوع بقدرات الذكاء الاصطناعي التوليدي المتطورة بسرعة.

الاعتبارات التنظيمية والامتثال والأخلاقية

يُعامل الذكاء الاصطناعي المستخدم في اكتشاف الاحتيال المالي بشكل متزايد على أنه عالي المخاطر من قبل الجهات التنظيمية، ويجب أن يستوفي معايير صارمة للحوكمة والشفافية والرقابة. وإلى جانب الامتثال القانوني، يجب على المؤسسات أن تأخذ في الاعتبار العدالة، والاستخدام المسؤول للبيانات الشخصية، والآثار الأخلاقية الأوسع لاتخاذ القرار الآلي.

الامتثال التنظيمي في مجال الكشف عن الاحتيال باستخدام الذكاء الاصطناعي

تصنف قانون الذكاء الاصطناعي للاتحاد الأوروبي العديد من أنظمة اكتشاف الاحتيال على أنها عالية المخاطر، مما يتطلب إدارة صارمة للمخاطر، والتحقق، والتوثيق. تطبق متطلبات النظام الأوروبي العام لحماية البيانات (GDPR) المتعلقة بالأساس القانوني للمعالجة، وتقليل البيانات، والحقوق المتعلقة بالقرارات الآلية بشكل مباشر على حلول الذكاء الاصطناعي لاكتشاف الاحتيال. ومكافحة غسيل الأموال و التحقق الآلي من معرفة عميلك تفرض اللوائح التنظيمية الرصد المستمر، والإبلاغ عن الأنشطة المشبوهة، ومسارات التدقيق القوية.

قابلية الشرح أمر جوهرية. يجب أن تكون المؤسسات قادرة على تبرير سبب تصنيف معاملة أو عميل على أنه عالي المخاطر لكل من الجهات التنظيمية والعملاء. وتشمل الممارسات الملموسة تقارير التحقق من صحة النماذج، وتقييمات العدالة، والمراجعات المستقلة المنتظمة.

خصوصية البيانات، والأمان، والحوكمة

البيانات المستخدمة في كشف الاحتيال بالذكاء الاصطناعي حساسة للغاية، وتشمل المعاملات المالية، والمعلومات الشخصية القابلة للتحديد، ومُعرفات الأجهزة، والإشارات السلوكية. وتشمل توقعات الرقابة التشفير القوي، وضوابط الوصول الصارمة، وقيود الاحتفاظ بالبيانات، والاختيار الدقيق للبنية الأساسية السحابية، على غرار الضمانات المطلوبة عند نشر حلول الذكاء الاصطناعي في الخدمات المصرفية المركزية والسياسة النقديّة.

يتطلب مشاركة بيانات المعاملات مع حلول الكشف عن الاحتيال بالذكاء الاصطناعي التابعة لجهات خارجية ضمانات تعاقدية واتفاقيات واضحة لمعالجة البيانات. ينبغي على المؤسسات تنفيذ حوكمة قوية للبيانات، بما في ذلك كتالوجات البيانات، وتتبع المنشأ، وضوابط الجودة، لضمان مدخلات موثوقة مع تحقيق التوازن بين جمع البيانات الغنية والممارسات الحافظة للخصوصية مثل التأسيم.

الأخلاق، والتحيز، والعدالة في نماذج الاحتيال

نماذج كشف الاحتيال المدربة على بيانات تاريخية قد تتعلم دون قصد تحيزات تؤثر بشكل غير متناسب على مجموعات أو مناطق معينة من العملاء. يمكن أن يؤدي التحيز في الذكاء الاصطناعي إلى التمييز في كشف الاحتيال، على سبيل المثال عندما تنتج بدائل السمات المحمية مثل الرمز البريدي أو نوع الجهاز نتائج تمييزية. بالإضافة إلى ذلك، يمكن أن تولد أنظمة الذكاء الاصطناعي نتائج غير دقيقة تُعرف بالهلوسة، مما يؤكد الحاجة إلى التحقق الدقيق.

إجراء اختبارات منتظمة للتحيز عبر أبعاد التركيبة السكانية والقطاعات، مع توجيهات تخفيف موثقة، أمر بالغ الأهمية. تظل الرقابة البشرية في القرارات ذات التأثير العالي، لا سيما حيث تُغلق الحسابات أو تُرفض الخدمات، أمراً غير قابل للتفاوض. يجب على المؤسسات إنشاء إطار للذكاء الاصطناعي المسؤول يتضمن مبادئ واضحة للعدالة والشفافية والمساءلة تُطبق طوال دورة حياة النموذج.

التحديات المشتركة في كشف الاحتيال باستخدام الذكاء الاصطناعي وكيفية التغلب عليها

على الرغم من أن اكتشاف الاحتيال المدعوم بالذكاء الاصطناعي يقدم فوائد كبيرة، إلا أن العديد من المشاريع تفشل في تحقيق الأداء المرجو بسبب مخاطر يمكن التنبؤ بها. وتشمل المشكلات الأكثر شيوعاً جودة البيانات وعزلها، والتكامل مع الأنظمة القديمة، وقابلية تفسير النماذج، وإدارة الإنذارات الكاذبة، والفجوات في المواهب أو إدارة التغيير.

جودة البيانات، والتجزئة، والوسم

تعتبر البيانات غير المتسقة أو غير المكتملة أو المعزولة عبر القنوات المختلفة إحدى أكبر العقبات أمام فعالية الذكاء الاصطناعي. فملفات العملاء غير المتسقة والفجوات في سجل المعاملات تؤدي إلى إضعاف النماذج وتتسبب في إغفال أنماط مشبوهة مهمة. وينبغي للمؤسسات بناء أساس موحد للبيانات، من خلال دمج بيانات المعاملات والسلوكيات والبيانات المرجعية في بيئة خاضعة للحوكمة. وتعد تصنيفات الاحتيال عالية الجودة، والتي تميز بين الاحتيال المؤكد وبين النزاعات واسترداد المبالغ المدفوعة، أمراً بالغ الأهمية للتعلم الخاضع للإشراف. كما أن الاستثمار المبكر في تنظيف البيانات وإدارة البيانات الرئيسية يؤتي ثماره قبل توسيع نطاق مبادرات الذكاء الاصطناعي.

تكامل الأنظمة القديمة والتوافق التشغيلي

تعتمد العديد من البنوك وشركات التأمين على أنظمة أساسية قديمة تعود لعقود ومحركات قواعد محلية لم يتم تصميمها لتكامل الذكاء الاصطناعي في الوقت الفعلي. وتشمل المشكلات النموذجية قيود زمن الانتقال، وواجهات برمجة التطبيقات المحدودة، ومقاومة تعديل تدفقات المدفوعات بالحيوية الحرجة.

النهج التدريجي هو الأفضل: بوابات واجهات برمجة التطبيقات، أو بث الأحداث، أو خدمات تسجيل النتائج جنباً إلى جنب والتي تعيد درجات المخاطر إلى محركات القرار الحالية. يمكن لعمليات نشر اثبات الفكرة في قناة واحدة، مثل التجارة الإلكترونية التي لا تتطلب حضور البطاقة، إثبات القيمة قبل طرحها بشكل أوسع. يعد التعاون الوثيق بين العمليات المعنية بالاحتيال، وتكنولوجيا المعلومات، وفرق الهندسة أمراً بالغ الأهمية عند إدخال الذكاء الاصطناعي الوكيل في القطاع المصرفي للكشف عن الاحتيال وتجربة العملاء.

قابلية التفسير، ومخاطر النماذج، والحوكمة

يمكن النظر إلى نماذج التعلم الآلي المعقدة على أنها صندوق أسود، مما يخلق مشكلات تتعلق بالثقة لدى الأطراف المعنية الداخلية والجهات التنظيمية. يجب على المؤسسات استخدام أدوات التفسير المحايدة للنماذج، مثل أهمية الميزات والتفسيرات المحلية، لتوضيح العوامل التي أدت إلى اتخاذ القرار.

إإن إطار إدارة مخاطر النماذج الذي يتضمن أدواراً محددة، وعمليات اعتماد، ومراجعات دورية للأداء يعد أمراً بالغ الأهمية. يجب أن تغطي الوثائق بيانات التدريب، والافتراضات، والقيود، وخطط المراقبة. ينبغي أن تشرف لجان الحوكمة التي تضم ممثلين عن الالتزام، والمخاطر، وعلوم البيانات، وأصحاب الأعمال على استخدام الذكاء الاصطناعي في الكشف عن الاحتيال.

الموازنة بين الاكتشاف، والإنذارات الكاذبة، وتأثير العملاء

التوازن المتأصل بين اكتشاف المزيد من عمليات الاحتيال وتجنب الاحتكاك للعملاء الشرعيين يتطلب معايرة دقيقة. ضبط العتبات، والتصنيف حسب نوع العميل، واستراتيجيات النقاط المتعددة يمكن أن تحسن دقة اكتشاف الاحتيال مع حماية تجربة العميل.

تساعد التجارب المُحكَمَة، مثل اختبارات A/B، المؤسسات على فهم التأثير التجاري لتغيير عتبات المخاطر في بيئة التشغيل الفعلية. ينبغي لأصحاب المصلحة في العمل تحديد معدلات الإيجابيات الكاذبة المقبولة لكل قناة بناءً على شهية المخاطر. تعيد البرامج الناجحة النظر في هذه المقايضات بانتظام مع تغير أنماط الاحتيال الناشئة وأولويات العمل.

تنفيذ الكشف عن الاحتيال بالذكاء الاصطناعي في مؤسستك

الانتقال من مرحلة الفكرة إلى مرحلة الإنتاج باستخدام حلول الكشف عن الاحتيال المدعومة بالذكاء الاصطناعي يتطلب نهجاً تكرارياً يمتد عبر التقييم، وإعداد البيانات، وتطوير النماذج، والتشغيل التجريبي، والتوسع. يُعد التعاون متعدد الوظائف بين فرق مكافحة الاحتيال، وعلماء البيانات، والامتثال، وتقنية المعلومات، وقادة تجربة العملاء أمراً ضرورياً.

تحديد الأهداف ومؤشرات الأداء الرئيسية ومستوى تقبل المخاطر

ابدأ بأهداف محددة: “تخفيض خسائر الاحتيال على البطاقات بنسبة 20% على مدار 18 شهرًا” أو “خفض حالات الإيجابية الكاذبة بنسبة 30% في قناة التجارة الإلكترونية”. تشمل مؤشرات الأداء الرئيسية (KPI) معدل الكشف عن الاحتيال، ومعدل الإيجابيات الكاذبة، ومتوسط وقت المعالجة، وقيمة الاحتيال الذي تم منعه، ودقة النموذج ومعدل الاسترجاع. اتفق مسبقًا على كيفية قياس النجاح والإبلاغ عنه. فالأهداف الواضحة توجه تصميم النموذج، وتحديد العتبات، وتخصيص الموارد.

بناء خط أنابيب قوي لبيانات وهندسة الميزات

جمع البيانات وتنظيفها ودمجها من أنظمة المعاملات، ونظام إدارة علاقات العملاء (CRM)، وسجلات الأجهزة، والمصادر الخارجية مثل القوائم السوداء وبيانات الاتحادات. إن هندسة الخصائص، التي تتضمن إنشاء متغيرات ذات معنى مثل سرعة المعاملات، وتنوع التجار، وتاريخ الأجهزة، هي المجال الذي يُستمد منه الجزء الأكبر من القيمة. وتضمن فحوصات جودة البيانات الآلية مدخلات نموذجية متسقة. يجب أن تدعم خطوط الأنابيب مجموعات بيانات التدريب الدفعية وتدفقات الاستدلال الفوري منخفضة التأمين لاكتشاف الاحتيال بفعالية.

دمج الذكاء الاصطناعي في عمليات مكافحة الاحتيال وسير العمل الحاليين

التكنولوجيا وحدها لا تكفي. يجب أن تتناسب مخرجات الذكاء الاصطناعي مع عمليات التحقيق، وإدارة القضايا، ودعم العملاء الحالية. قم بتوجيه تنبيهات المخاطر العالية إلى المحللين مع معلومات سياقية تتضمن التنبيهات السابقة، والروابط الشبكية، وملاحظات العملاء، ويفضل أن يظهر ذلك ضمن منصة إدارة علاقات العملاء للخدمات المالية المتكاملة. ابدأ بدرجات الاستشارية قبل الانتقال إلى الحظر الآلي بالكامل. قم بتحديث إجراءات التشغيل القياسية وتدريب الفرق على تفسير درجات المخاطر التي تولدها الذكاء الاصطناعي. ملاحظات محللي الاحتيال حيوية للتخفيف من مخاطر الاحتيال وتعديل عتبات التشغيل في الإنتاج.

أغلق حلقة التغذية الراجعة وحسّن باستمرار

يبين توثيق نتائج التحقيقات وإدخالها مرة أخرى في مجموعات بيانات تدريب النماذج على فترات منتظمة. وينبغي للوحات معلومات الأداء تتبع المقاييس الرئيسية حسب القناة، والمنتج، وقطاع العملاء، ونوع الاحتيال، وربط هذه الرؤى مع استراتيجيات إدارة المحافظ المدفوعة بالذكاء الاصطناعي لمواءمة ضوابط الاحتيال مع أهداف المخاطر والعائد الأوسع. وتعمل الاختبارات الراجعة الدورية والنماذج المنافسة على التحقق من أن النماذج الحالية تظل مثالية. تتعلم أنظمة الذكاء الاصطناعي باستمرار من أنماط الهجوم الجديدة لتحسين الكشف، وتعتبر دورة التحسين المستمر هذه ضرورية مع تطور تكتيكات الاحتيال الجديدة، وسلوك العملاء، وعروض المنتجات.

الاستفادة من منصة InvestGlass في الكشف عن الاحتيال باستخدام الذكاء الاصطناعي

توفر منصة InvestGlass حلاً متكاملاً يدعم الذكاء الاصطناعي للكشف عن الاحتيال من خلال جمع البيانات، وسير العمل الآلي، والتحليلات المتقدمة في بيئة واحدة. وبالتوازي مع ذلك، فإن أدواتها لـ إدارة وتحسين محفظة الاستثمار المعززة بالذكاء الاصطناعي تساعد المؤسسات على تطبيق ذكاء متسق قائم على البيانات عبر كل من وظائف الاستثمار والاحتيال. تتيح بنية واجهة برمجة التطبيقات (API) المرنة الخاصة بها تكاملاً سلساً مع أنظمة احتيال الخدمات المصرفية الحالية، مما يتيح للمؤسسات تحليل كميات هائلة من أنماط المعاملات وبيانات العملاء بكفاءة.

تساعد إنفستغلاس (InvestGlass) المؤسسات المالية على تطبيق اكتشاف الاحتيال في الوقت الفعلي من خلال توفير لوحات معلومات قابلة للتخصيص وآليات تنبيه تمكن محللي الاحتيال من تحديد التهديدات الناشئة بسرعة. تتضمن أدوات الذكاء الاصطناعي الخاصة بالمنصة نماذج تعلّم آلي تتكيف باستمرار مع تكتيكات الاحتيال الجديدة، مما تحسن دقة الكشف مع تقليل الإنذارات الكاذبة والخسائر المالية.

علاوة على ذلك، تضمن ميزات إمكانيات إدارة الامتثال في InvestGlass أن عمليات اكتشاف الاحتيال المدعومة بالذكاء الاصطناعي تتماشى مع المتطلبات التنظيمية مثل اللائحة العامة لحماية البيانات (GDPR) وتوجيه خدمات الدفع الثاني (PSD2)، مما توفر مسارات تدقيق وإمكانية تفسير لدعم الشفافية. ومن خلال الاستفادة من InvestGlass، يمكن للمؤسسات تسريع قدراتها في اكتشاف الاحتيال بالذكاء الاصطناعي، وتعزيز الكفاءة التشغيلية، وتوطيد الدفاعات ضد سرقة الهوية والاحتيال المصرفي.

التوقعات المستقبلية: الكشف عن الاحتيال باستخدام الذكاء الاصطناعي في عام 2026 وما بعده

ستشكل عدة اتجاهات الجيل القادم من اكتشاف الاحتيال الحديث. إن الاعتماد الأوسع على شبكات العصبون البيانية ومقاييس الرسم البياني الديناميكية سيؤدي إلى تحسين اكتشاف عصابات الاحتيال المنظمة. سيؤدي الاستدلال على الجهاز إلى تقليل زمن الوصول والتعرض للخصوصية لمصادقة الخدمات المصرفية عبر الهاتف المحمول. ستعمل تقنيات تعزيز الخصوصية مثل التعلم الفيدرالي والخصوصية التفاضلية على تمكين مشاركة البيانات عبر المؤسسات مع تلبية متطلبات حماية البيانات.

أطر العمل التنظيمية الأكثر صارمة، بما في ذلك مرحلة إنفاذ قانون الذكاء الاصطناعي للاتحاد الأوروبي، ستعزز توقعات الحوكمة لجميع حلول الذكاء الاصطناعي المستخدمة في منع الاحتيال. سيتزايد أهمية التعاون بين المؤسسات من خلال قواعد بيانات الاحتيال المشتركة وشراكات استخبارات التهديدات لمواجهة الجرائم المالية عابرة الحدود والمنصات. ستشتد سباق التسلح بين التهديدات المدعومة بالذكاء الاصطناعي والدفاعات المدعومة به، مما يتطلب من المؤسسات محاكاة الهجمات العدائية بشكل استباقي ودمج تحليل المحتوى والسياق والسلوك.

لم يعد السؤال بالنسبة للمؤسسات المالية هو ما إذا كان ينبغي عليها تبني تقنية الذكاء الاصطناعي لإدارة الاحتيال، بل مدى سرعة وفاعلية قيامها بذلك. إن المؤسسات التي تدقق ضوابط الاحتيال الحالية لديها، وتحدد الثغرات في حلول كشف الاحتيال، وتستثمر في قدرات ذكاء اصطناعي قوية اليوم، ستكون في وضع أفضل لمنع الاحتيال، وحماية عملائها، وتلبية التوقعات التنظيمية المتطورة. لقد حان الوقت لتسريع تلك الخريطة الزمنية.