رشد سریع تجارت الکترونیک و دیجیتالی شدن مؤسسات مالی و سازمان ها از بسیاری جهات به نفع جامعه بوده است که به عنوان نمونه، پرداخت های الکترونیکی که رواج بیشتری دارند را می توان نام برد. اما متأسفانه، این رشد جنبه ای منفی نیز دارد و می تواند فرصت های بیشتری را برای کلاهبرداران ایجاد کند. امروزه با افزایش پیچیدگیِ کلاهبرداران، نتایجی که سیستم‌های سنتی بازرسی ارائه می‌دهند ناکارآمد می باشد ؛ با این حال، با بهره مندی از سامانه های هوشمند بازرسی مبتنی بر هوش مصنوعی، سازمان ها بهتر می‌توانند تاکتیک‌های در حال تغییر تراکنش‌های متقلبانه را شناسایی کنند. حجم عظیمی از تراکنش‌های پرداخت هر روزه اتفاق می‌افتد و حجم مجموعه داده‌های تراکنش ها را با سرعتی بالا افزایش می‌دهد. در این داده ها، بینش های پنهان ارزشمندی وجود دارد که می تواند برای کشف و مدیریت تقلب مورد استفاده قرار گیرد ؛ بنابراین سامانه های بازرسی هوشمند با بهره مندی از هوش مصنوعی و الگوریتم های یادگیری ماشین مزایای فراوانی را به همراه دارند که به اختصار می توان گفت این سامانه ها موجب بلوغ سازمانی خواهند شد و سازمان ها قادر خواهند بود با سرعت و دقت بالاتر و به صورت مقیاس پذیر و کارآمدتر رفتار های متقلبانه را شناسایی و آن ها را مدیریت کنند.
مقدمه
در عصر دیجیتال، جرایم مالی علیه بانک ها و سایر موسسات مالی به سرعت در حال افزایش است. پیشگیری از تقلب در حال حاضر یکی از بزرگترین زمینه های نگرانی صنعت خدمات مالی است ؛ زیرا معمولاً سازمان ها هر ساله پنج درصد از درآمد خود را به دلیل تقلب از دست می دهند. در سال 2015، زیان ناشی از کلاهبرداری کلیه کارت های بانکی در سراسر جهان به 16.31 میلیارد دلار برای حجم 28.844 تریلیون دلاری کل تراکنش های کارت بانکی رسید. به عبارت دیگر، به ازای هر 100 دلار حجم تراکنش، 5.65 دلار تقلبی بوده است. برای کاهش این ضررها، بانک‌ها و سازمان های بازار سرمایه باید سامانه های بازرسی خود را بهبود بخشند. همچنین، پیچیدگی روزافزون کلاهبرداری، بانک ها را مجبور می کند تا به دقت، میان شناسایی تقلب و پیشگیری از ضرر و کیفیت تجربه خدمات مشتری، تعادل ایجاد کنند. راهکاری درست برای بازرسی می تواند مزایای زیادی از جمله کاهش هزینه ها و ریسک ها، بهبود رضایت مشتری و ایجاد نوآوری را به ارمغان بیاورد.
سامانه بازرسی هوشمند مبتنی بر هوش مصنوعی راهکاری است که امروزه بسیار پرطرفدار شده است. این سامانه ها به مدل های یادگیری ماشین با نظارت و یا بدون نظارت متکی هستند. یادگیری ماشین با نظارت در بررسی رویدادها، عوامل و روندهای گذشته برتری داشته و با داده‌های تاریخی، آموزش دیده تا الگوهایی را بیابد که با قوانین یا تحلیل‌های پیش‌بینی‌کننده قابل تشخیص نیستند. یادگیری ماشین بدون نظارت نیز در یافتن ناهنجاری ها، روابط متقابل و پیوندهای معتبر بین عوامل و متغیرهای نوظهور ماهر است. ترکیب یادگیری ماشین بدون نظارت و با نظارت ، آینده سامانه های بازرسی هوشمند به جهت پیشگیری از کلاهبرداری را تشکیل خواهند داد. صنعت بانکداری از صنایعی است که نیازی مبرم به سامانه بازرسی هوشمند و مدل‌های تشخیص و مدیریت تقلب دارد، زیرا اکنون اکثر تراکنش‌ها دیجیتال هستند. ظهور سیستم های بانکداری و پرداخت دیجیتالی و آنلاین در سال های اخیر منجر به افزایش تصاعدی تعداد تراکنش ها شده است و کلاهبرداران نیز باهوش تر و خلاق تر شده‌اند و برای جلوگیری از افشای فعالیت‌های مشکوک آنلاین، رفتارهای کلاه‌بردارانه‌تری را اتخاذ می نمایند. بدین صورت این سازمان ها نگران وضعیت خود بوده و خواستار استراتژی های کارآمدتر در جهت پیشگیری از تقلب هستند. سیستم سنتی بازرسی و تشخیص تقلب بانکی برای مبارزه با رفتارهای کلاهبردارانه پیچیده کافی نیست ؛ بنابراین سامانه بازرسی هوشمند مبتنی بر هوش مصنوعی و یادگیری ماشین در جهت تشخیص تقلب و رفتار کلاهبردارانه بسیار سودمند خواهد بود.
سامانه های بازرسی سنتی
اکثر سازمان ها در صنایع مختلف از سیستم های مبتنی بر قوانین با ارزیابی دستی برای بازرسی و کشف تقلب استفاده می کردند ؛ اما امروزه با افزایش پیچیدگی کلاهبرداران، نتایجی که سیستم‌های سنتی ارائه می‌دهند ناکارآمد می باشد. الگوهای کلاهبرداری سریع تر از آنچه سیستم های مبتنی بر قوانین می توانند با آن منطبق باشند، در حال تغییر و تحول هستند. این موضوع چندین مشکل را ایجاد می کند: موارد مثبت کاذب (در نظر گرفتن رفتار عادی به صورت رفتار کلاهبردارانه) که موجب مسدود کردن تراکنش ها و یا مشتریان واقعی شده و منفی کاذب (در نظر گرفتن رفتار کلاهبردارانه به صورت رفتار عادی) که به دلیل حجم عظیم داده هایی که باید پردازش شوند به اشتباه شناسایی می شوند. خوشبختانه با استفاده از یادگیری ماشین در سیستم های بازرسی و تشخیص و مدیریت تقلب می توان بر این چالش ها و کاستی ها غلبه کرد.
سامانه های بازرسی هوشمند
یادگیری ماشین علم طراحی الگوریتم هایی است که به طور خودکار روند هایی را بر اساس تجربیات قبلی پیدا می کنند. مجموعه عظیمی از داده ها با استفاده از الگوریتم های پیچیده برای شناسایی الگوها تجزیه و تحلیل می شوند. این نوع یادگیری می‌تواند به ماشین‌ها کمک کند تا موقعیت‌هایی را پیش‌بینی کرده که حتی به طور واضح برای آن ها برنامه‌ریزی نشده اند و اقداماتی را در قبال این موقعیت ها انجام دهند. موارد استفاده متعددی از جمله تجزیه و تحلیل پیش‌بینی‌کننده، توصیه گر محصولات، تحقیقات بازار و موارد دیگر برای یادگیری ماشین وجود دارد. اما یکی از حیاتی ترین کاربردهای یادگیری ماشین، کشف تقلب است.
ایده استفاده از یادگیری ماشین این است که تراکنش های جعلی الگوهای خاصی را نشان می دهند که آنها را از نمونه های واقعی متمایز می کند و الگوریتم های یادگیری ماشین این الگوها را تشخیص داده و می توانند بین کلاهبرداران و مشتریان قانونی تمایز قائل شوند. این الگوریتم‌ها می‌توانند فعالیت‌های متقلبانه را بسیار سریعتر و با دقت بیشتری نسبت به سیستم‌های مبتنی بر قوانین سنتی شناسایی کنند، زیرا قادرند از مجموعه بزرگ‌تری از داده‌ها استفاده کنند. در حالی که انسان‌ها و سیستم‌های برنامه‌ریزی‌شده مبتنی بر قوانین ممکن است بخش‌هایی از اطلاعات را بصورت ناآگاهانه نادیده بگیرند، با آموزش الگوریتم‌های یادگیری ماشین حتی به ظاهر نامرتبط‌ترین اطلاعات برای یافتن الگو، تجزیه و تحلیل می شوند. سامانه های بازرسی هوشمند مبتنی بر یادگیری ماشینِ با نظارت با جمع‌آوری و دسته‌بندی داده‌های ثبت‌شده قبلی شروع می‌شوند. این اطلاعات شامل اطلاعات مربوط به تراکنش های قانونی و تقلبی است که به عنوان خوب (معاملات یا مشتریان قانونی) یا بد (معاملات یا مشتریان متقلبانه) برچسب گذاری شده است. سپس از این داده‌ها برای آموزش برنامه یادگیری ماشین استفاده می‌شود تا رفتار یا تراکنش های کلاهبردارانه را پیش بینی کند. برای موفقیت این سامانه، شایسته است تا حد امکان داده‌های بیشتری با الگوهای متقلبانه وجود داشته باشد تا نمونه های زیادی برای یادگیری به الگوریتم ارائه شود. هنگامی که الگوریتم یادگیری ماشین آموزش داده شد، این برنامه مختص کسب و کار شده و می تواند آماده استفاده در چارچوب مدیریت کلاهبرداری شود.
در ادامه، چگونگی مفید بودن سامانه بازرسی هوشمند مبتنی بر هوش مصنوعی و یادگیری ماشین برای شناسایی تقلب و نحوه تکامل و بلوغ سازمان پس از استقرار این سامانه ها توضیح داده خواهد شد.
سیر بلوغ سازمان
هوش مصنوعی پیشگیری از کلاهبرداری و رفتار متقلبانه را با تکیه بر تجربیات گذشته و با در نظر گرفتن فعالیت‌ها، رفتارهای نوظهور، و روندها در تراکنش‌های متقلبانه انجام می‌دهد. قبل از هوش مصنوعی، سیستم‌های پیشگیری از تقلب تنها بر رویکرد قوانین محور تکیه می‌کردند که به تجزیه و تحلیل الگوهای تقلب گذشته بدون ارائه بینش‌هایی نسبت به آینده می پرداخت. حال، با ترکیب الگوریتم‌های یادگیری با نظارت که بر داده‌های تاریخی آموزش‌دیده و یادگیری بدون نظارت، سطح بالاتری از دقت و وضوح در مورد ریسک نسبی رفتار مشتریان برای سازمان ها و کسب و کار های دیجیتالی به ارمغان می آید. به لطف هوش مصنوعی، تصمیم‌گیری برای پذیرش یا رد عملیات پرداخت و تراکنش ها، توقف فعالیت‌های متقلبانه برای محدود کردن بازپرداخت وجوه و کاهش ریسک همگی برای سازمان ها امکان‌پذیر هستند. از طرفی، الگوریتم های یادگیری ماشین را می توان برای تجزیه و تحلیل و تشخیص الگوها در داده هایی که به ظاهر قانونی به نظر می رسند، آموزش داد. آنها می توانند الگوهای ظریف یا غیر شهودی را شناسایی کرده که تشخیص آن ها برای انسان دشوار و یا حتی غیرممکن است. این امر دقت تشخیص تقلب را افزایش می دهد ؛ به این معنی که موارد مثبت کاذب و کلاهبرداری کمتری وجود خواهد داشت که کشف نشود.
همچنین، پس از استقرار سامانه بازرسی هوشمند، تشخیص حملات کلاهبرداری در لحظه امکان پذیر می شود. این سامانه ها قادرند حملات کلاهبرداری را در کمتر از یک ثانیه با استفاده از فناوری های پیشرفته رتبه بندی مبتنی بر هوش مصنوعی، شناسایی و مدیریت کنند. با افزایش سرعت و حجم تجارت الکترونیک، سرعت تشخیص حملات کلاهبرداری اهمیت فزاینده ای دارد. الگوریتم‌های یادگیری ماشین می‌توانند کارهای تکراری را انجام داده و تغییرات ظریف در الگوها را در داده های حجیم شناسایی کنند. این امر برای کشف تقلب در مدت زمان بسیار کوتاه‌تری نسبت به آنچه که انسان می‌تواند انجام دهد، حیاتی است ؛ الگوریتم‌ها می‌توانند صدها هزار پرداخت در ثانیه را تجزیه و تحلیل کنند، که بیشتر از آن چیزی است که چندین تحلیلگر انسانی می‌توانند در همان زمان انجام دهند ؛ این امر باعث کاهش هزینه ها و همچنین زمان صرف شده برای تجزیه و تحلیل تراکنش ها شده و در نتیجه فرآیند های سازمان کارآمدتر می شوند.
همچنین، با افزایش تعداد تراکنش ها، فشار بر سیستم های مبتنی بر قوانین و تجزیه و تحلیل انسانی افزایش می یابد. این به معنای افزایش هزینه ها و زمان و همچنین کاهش دقت است. با استفاده از الگوریتم یادگیری ماشین، هر چه داده ی بیشتری وجود داشته باشد، الگوریتم کارآمدتر است و با ورود داده های بیشتر بهبود یافته و قادر است تا رفتار متقلبانه را سریعتر و با دقت بیشتری شناسایی کند.
بنابراین سامانه بازرسی هوشمند با بهره مندی از هوش مصنوعی و الگوریتم های یادگیری ماشین مزایای فراوانی را به همراه دارند که به اختصار می توان گفت این سامانه ها موجب بلوغ سازمانی خواهند شد و سازمان ها قادر خواهند بود با سرعت و دقت بالاتر و به صورت مقیاس پذیر و کارآمدتر رفتارهای متقلبانه را شناسایی و آن ها را مدیریت کنند.
نوشته های مرتبط
