نکات کلیدی
- تحول دیجیتال منجر به روشهای پیچیده تقلب مانند هویتهای مصنوعی و دیپفیک شده است که بهدلیل تغییرات در فعالیتهای اقتصادی و رفتار مصرفکننده، بهسرعت در حال گسترشاند.
- سامانههای سنتی کشف تقلب با چالشهایی در مقیاسپذیری، توازن داده و نیاز به ورودی دستی قابل توجه مواجهاند و برای سازگار شدن با الگوهای جدید تقلب دچار مشکل میشوند.
- هوش مصنوعی مولد (Generative AI) با تواناییهای یادگیری سازگار، قابلیت پردازش مجموعه دادههای بزرگ، بهبود کشف ناهنجاری و کاهش مثبتهای کاذب، کشف تقلب را متحول میکند.
- ترکیب هوش مصنوعی مولد با یادگیری ماشین (Machine Learning)، سازگاری، تحلیل الگوهای تقلب و درک محتوا (Context) را در کشف تقلب ارتقا میدهد.
عوامل محرک افزایش شدید تقلب
دو دلیل اصلی پشت افزایش سریع تقلب وجود دارد.
- اول، با تکامل فعالیتهای اقتصادی و تغییر رفتارهای مصرفکننده، متقلبان خود را تطبیق میدهند و از ضعفهای موجود در سامانهها سوءاستفاده میکنند.
برای مثال، همهگیری کووید–۱۹ منجر به افزایش ۵۲ درصدی نرخ تقلب دیجیتال بین سالهای ۲۰۱۹ و ۲۰۲۱ شد، بهویژه در صنایع سفر و خدمات مالی.
- دوم، انتظارات مصرفکنندگان برای تجربههای دیجیتال بدون اصطکاک بهشدت افزایش یافته است. مصرفکنندگان تعاملات سریع، امن و راحت میخواهند و اگر این انتظارات برآورده نشود، خیلی سریع به رقبا مهاجرت میکنند.
مهمترین روندهای تقلب
برای درک بهتر نیاز به فناوری پیشرفته در پیشگیری از تقلب، چند روند کلیدی در صنعت تقلب وجود دارد:
اتوماسیون: متقلبان از انواع رباتهای نرمافزاری استفاده میکنند که بعضی از آنها توسط هوش مصنوعی مولد تقویت شدهاند تا فعالیتهای تقلب را خودکار کنند. این اتوماسیون، تقلب را بیش از هر زمان دیگری مقیاسپذیر و کارآمد کرده است.
افزایش هزینهها: تأثیر مالی تقلب در حال افزایش است و مصرفکنندگان سالانه میلیاردها دلار از دست میدهند. بهصورت جهانی، زیانهای ناشی از تقلب از ۵ تریلیون دلار فراتر میرود که نیاز فوری به اقدامات مؤثر پیشگیری را برجسته میکند.
تقلب با هویت مصنوعی: این یکی از سریعترین اشکال در حال رشد تقلب است و بیش از ۸۵ درصد موارد تقلب هویتی را تشکیل میدهد. تقلب با هویت مصنوعی توسط هوش مصنوعی مولد تغذیه میشود و بهدلیل نبود داده آموزشی کافی، با روشهای سنتی بهسختی قابل کشف است.
متعادل کردن تجربه مصرفکننده: شرکتها باید بین کمینهکردن اصطکاک برای مصرفکننده و جلوگیری از تقلب تعادل برقرار کنند. برآورده کردن انتظارات مشتری برای تجربههای بدون وقفه در عین حفظ امنیت، چالشی پیچیده است.
افزایش تعداد راهحلهای نقطهای: ابزارهای تخصصی زیادی برای مراحل مختلف سفر مشتری وجود دارد، اما یکپارچهسازی دادههای این راهحلهای نقطهای در یک سامانه جامع مدیریت ریسک برای پیشگیری مؤثر از تقلب ضروری است.
تکامل کشف تقلب
مدیریت ریسک و کشف تقلب تغییر قابل توجهی را تجربه کردهاند. سه نسل مختلف فناوری که این تحول را شکل دادهاند به شرح زیر هستند:
-
سامانههای ریسک ۱٫۰ که از رویکردهای ایستا و مبتنی بر قواعد استفاده میکنند؛
-
سامانههای ریسک ۲٫۰ که یادگیری ماشین سنتی را با قواعد ترکیب میکنند؛ و
-
سامانههای ریسک ۳٫۰ که جدیدترین نسل بوده و از هوش مصنوعی مولد علاوه بر یادگیری ماشین سنتی استفاده میکنند تا الگوهای پیچیده و نوظهور تقلب را هدف قرار دهند در حالی که مثبتهای کاذب را کاهش میدهند.
از آنجا که این نسلهای فناوری بهطور بنیادی نحوه مبارزه شرکتها با تقلب و مدیریت ریسک را در دنیای پویا و متصل امروز تغییر دادهاند، درک ظرایف و تکامل آنها برای پیمایش مؤثر در این محیط ضروری است.
کاستیهای روشهای موجود کشف تقلب
پیش از پرداختن به مزایای هوش مصنوعی مولد، درک کاستیهای روشهای سنتی کشف تقلب اهمیت دارد:
مقیاسپذیری محدود: مدلهای سنتی یادگیری ماشین ممکن است هنگام افزایش پیچیدگی تراکنشها، که اغلب شامل صدها ویژگی هستند، در مقیاسدهی کارآمد با مشکل مواجه شوند.
بار سنگین مهندسی ویژگی: مهندسی دستی ویژگیها فرایندی زمانبر است که نیازمند استخراج، تبدیل و پاکسازی داده است. با این حال، ممکن است همچنان اطلاعات ضروری برای کشف دقیق تقلب را از قلم بیندازد.
نامتوازن بودن داده: تراکنشهای متقلبانه در مقایسه با تراکنشهای مشروع نادر هستند و این موضوع به مجموعه دادههای آموزشی نامتوازن منجر میشود. این نامتوازن بودن میتواند توانایی مدلهای سنتی را برای کشف دقیق تقلب دچار انحراف کند.
کمبود محتوا (Context): روشهای نسلهای قبلی ممکن است دامنه وسیعی از متغیرها را وارد نکنند یا بافت را درک نکنند و این موضوع کارایی آنها را در کشف طرحهای پیچیده یا ظریف تقلب محدود میکند.
نیاز به نظارت انسانی: مداخله انسانی اغلب برای تنظیم مدل، بهروزرسانیها و تأیید دستی تراکنشهای علامتگذاریشده لازم است، که به عملیاتهایی با مصرف زیاد منابع منجر میشود.
کمبود سازگاری: سامانههای ایستا و مبتنی بر قواعد و برخی سامانههای ریسک مبتنی بر یادگیری ماشین سنتی، سازگاری کافی ندارند و برای مواجهه با چالشهای در حال تکامل تقلب نیازمند بهروزرسانیهای دستی مکرر هستند.
تصمیمگیری ریسکی مبتنی بر هوش مصنوعی
یک دستهبندی جدید به نام «تصمیمگیری ریسکی مبتنی بر هوش مصنوعی» در آستانه متحول کردن چشمانداز کشف تقلب است. این رویکرد، نقاط قوت هوش مصنوعی مولد را با تکنیکهای سنتی یادگیری ماشین ترکیب میکند تا یک پایه مستحکم برای محافظت از تراکنشهای آنلاین ایجاد کند. این کار، دقت و سرعت کشف و پیشگیری از تقلب را بهطور چشمگیری بهبود میدهد. با تحلیل دادههای جمعآوریشده از فعالیت کاربر، پلتفرمهای تصمیمگیری ریسکی مبتنی بر هوش مصنوعی مانند Oscilar میتوانند بهسرعت رفتار مشکوک را شناسایی کرده و سازمانها را از فعالیتهای بالقوه متقلبانه آگاه کنند.
بیایید ستونهای اصلیای را که این رویکرد را تعریف میکنند بررسی کنیم:
دانش: یک بافت دانشی ۳۶۰ درجهای
اولین ستون شامل ایجاد یک «بافت دانشی» جامع است که بهعنوان پایه کل پلتفرم عمل میکند. این بافت، منابع داده داخلی مختلفی را که ویژه شرکت هستند یکپارچه میکند، مانند سوابق تراکنشها و پروفایلهای بلادرنگ مشتریان. علاوه بر این، دانش بیرونی از پایگاههای داده کنسرسیومی، پایگاههای اطلاعاتی متنباز و تحقیقات دانشگاهی را نیز در بر میگیرد. این یکپارچهسازی دادهها یک دید همهجانبه ایجاد میکند که با روشهای پردازش جریانی (Real-Time Stream Processing) غنی میشود. مهمتر اینکه، یک لایه هوشمندی و استدلال به آن افزوده میشود و «هسته شناختی» لازم برای مدیریت مؤثر ریسک را شکل میدهد.
برای نشان دادن تأثیر این بافت دانشی، مثال تقلب پرداخت مصنوعی را در نظر بگیرید. روشهای سنتی برای تمایز بین پولشویی و تراکنشهای غیرمعمول مشروع در این شکل پیچیده تقلب با مشکل مواجهاند، عمدتاً به این دلیل که بهسرعت تکامل مییابد و توسط هوش مصنوعی مولد تغذیه میشود. در مقابل، هوش مصنوعی مولد بهطور مداوم دادههای بدون ساختار را تحلیل کرده و یک بافت دانشی سازگار ایجاد میکند. این بافت، ویژگیهای کلیدی برای علامتگذاری تقلب پرداخت را شناسایی میکند، مانند خواببودن حساب، سن حساب و تغییرات در اطلاعات حساب. این بافت میان رفتار سالم و متقلبانه در زمان واقعی تمایز قائل میشود و آن را به یک مؤلفه قدرتمند در رویکرد تصمیمگیری ریسکی مبتنی بر هوش مصنوعی تبدیل میکند.
این رویکرد، تکنیکهای سنتی یادگیری ماشین را با هوش مصنوعی مولد و بافت دانشی ترکیب میکند و مدلها را بهطور مداوم بر اساس دادههای تراکنش بلادرنگ و برچسبها بهروزرسانی میکند و در نهایت، تواناییهای کشف تقلب را ارتقا میدهد.
خلق: یک رابط زبان طبیعی
ستون دوم در رویکرد تصمیمگیری ریسکی مبتنی بر هوش مصنوعی، یک رابط زبان طبیعی برای ایجاد قواعد یا مدلهای تقلب معرفی میکند که این فرایند را بسیار در دسترس میسازد. این رابط به کاربران اجازه میدهد جریانهای کاری (Workflow)، مدلها و سایر مؤلفهها را بدون نیاز به تخصص کدنویسی یا مهارتهای عمیق تحلیلی سفارشیسازی کنند. برای مثال، اگر بخواهید مدلی برای کشف تصاحب حساب (Account Takeover) ایجاد کنید، میتوانید ویژگیها را مشخص کنید یا به سامانه اجازه دهید ویژگیهای مرتبط را بهصورت خودکار شناسایی کند، مانند ردیابی رفتار مشکوک ورود یا انحراف از الگوهای ورود قبلی یک کاربر.
همیار زبان طبیعی (Natural Language Co-pilot) این نیازمندیها را به یک مدل یادگیری ماشین تبدیل میکند، آزمونهایی برای ارزیابی عملکرد آن انجام میدهد و نتایج را در اختیار شما قرار میدهد. علاوه بر این، امکان افزودن هوش دستگاه (Device Intelligence) را نیز بهصورت یکپارچه فراهم میکند. همچنین میتوانید درخواست «آزمون گذشتهنگر» (Backtesting) کنید، جایی که سامانه تحلیل میکند این مدل در سناریوهای گذشته چگونه عمل میکرده است، که در تصمیمگیری کمککننده است.
نکته مهم این است که عنصر انسانی همچنان بخش جداییناپذیر فرایند باقی میماند، زیرا سامانه هوش مصنوعی، بینشهای ارزشمند ریسکی را در اختیار افراد قرار میدهد. این موضوع مدیریت ریسک را «دموکراتیک» میکند، چون به تیم گستردهتری با سطوح مهارت متفاوت امکان میدهد با تقلب مقابله کنند و برنامههای پیشگیری از تقلب را مقیاسپذیرتر و فراگیرتر میکند.
توصیه: پیشنهادهای خودکار
ستون سوم در رویکرد تصمیمگیری ریسکی مبتنی بر هوش مصنوعی بر «توصیههای خودکار» تمرکز دارد که قابلیتهای قدرتمندی برای مدیریت ریسک بلادرنگ و مؤثر ارائه میدهند. این سامانه میتواند بهطور خودکار تراکنشها را پایش کرده و روندها یا ناهنجاریها را شناسایی کند، ویژگیهای مرتبط برای مدلهای ریسک را پیشنهاد دهد، سناریوها را بهصورت مستقل تحلیل کند و «بهترین اقدام بعدی» را برای بهینهسازی عملکرد توصیه کند.
برای مثال، در مورد تقلب هویت مصنوعی، سامانه هوش مصنوعی بهسرعت ویژگیهای منحصربهفرد این نوع تقلب را بهمحض وقوع آن میآموزد. این سامانه میتواند یک مدل یادگیری ماشین تخصصی با ویژگیهای کلیدی برای کشف تقلب هویت مصنوعی آموزش دهد، مانند ناهنجاری در دادههای درخواست، ردیابی نرخ درخواستهای اعتباری و علامتگذاری تراکنشهای پرریسک. سپس سامانه این مدل پیشرفته را مستقر کرده و توصیههایی برای افزودن ویژگیهای اضافی به جریان تصمیمگیری ارائه میدهد تا عدمانطباقهای ظریف را کشف کند.
توصیههای خودکار، فرایند تکرار روی مدلهای ریسک را ساده میکنند؛ چیزی که در کشف تقلب حیاتی است، چون پیدا کردن ویژگیها و روندهای درست کار آسانی نیست. این کاهش زمان کاهش تقلب، از چند هفته به چند ساعت یا حتی چند دقیقه، کارایی مدیریت ریسک و پیشگیری از تقلب را بهطور قابل توجهی افزایش میدهد.
درک: استدلال قابلفهم برای انسان
ستون چهارم در رویکرد تصمیمگیری ریسکی مبتنی بر هوش مصنوعی بر «استدلال قابلفهم برای انسان» تأکید دارد. هدف این ستون این است که هر تصمیم، توصیه یا بینشی که سامانه هوش مصنوعی ارائه میکند بهراحتی برای کاربران انسانی قابل درک باشد. این ستون اجازه میدهد کارشناسان ریسک، عوامل تأثیرگذار بر ارزیابی ریسک را درک کنند و توضیحاتی برای تصمیمهای گرفتهشده ارائه میشود.
با فراهم کردن درک عمیق از «چرایی» پشت هر اقدام یا توصیه، این ستون کارشناسان ریسک را توانمند میکند تا الگوهای جدید را شناسایی کنند، دفاعهای لازم را بسازند و بهطور مؤثر با تیمهای بزرگتر همکاری کنند. این شفافیت اعتماد و اطمینان را افزایش داده و زمان لازم برای تکرار روی مدلها را کاهش میدهد.
برای مثال، اگر افزایش ۱۲ درصدی در نرخ شارژبک (بازگشت وجه) و افزایش نرخ مثبتهای کاذب مرتبط با عرضه یک کارت اعتباری جدید وجود داشته باشد، پلتفرم تصمیمگیری ریسکی مبتنی بر هوش مصنوعی یک تحلیل ریشهای (Root Cause Analysis) انجام میدهد. این پلتفرم گزارشی از عوامل ریسکی مرتبط، مانند تغییرات در رفتار مشتری یا الگوهای تراکنش، ارائه میکند. این کار به اپراتورهای باتجربه ریسک کمک میکند عوامل کلیدی مؤثر بر وضعیت را درک کرده و توضیحات لازم را تولید کنند. سامانه همچنین میتواند توصیههای پیشدستانه ارائه دهد و به کاربران کمک کند این مسئله را بهصورت راهبردی مدیریت کنند.
در اصل، استدلال قابلفهم برای انسان، مدیریت ریسک را از یک عملکرد واکنشی به یک عملکرد پیشنگر و راهبردی ارتقا میدهد، چون نور بر استدلال پشت تصمیمها و توصیهها میتاباند.
هدایت: تقویت توان کارشناسان ریسک
ستون پنجم در رویکرد تصمیمگیری ریسکی مبتنی بر هوش مصنوعی بر «هدایت» تمرکز دارد، با هدف تقویت توان کارشناسان ریسک، نه جایگزینی آنها. پیچیدگی فزاینده الگوهای تقلب و حجم عظیم داده در تراکنشهای دیجیتال، حتی باتجربهترین کارشناسان ریسک را نیز تحت فشار قرار داده است.
تصمیمگیری ریسکی مبتنی بر هوش مصنوعی مانند یک کمکخلبان (Co-pilot) ارزشمند برای کارشناسان ریسک عمل میکند، از طریق ارائه هوشمندی بلادرنگ درباره رویدادهای جاری، انجام تحلیلهای ریشهای تخصصی و پیشنهاد ویژگیها یا مدلهایی که نیاز به آموزش دارند. این سامانه همچنین درک بافتی از دادهها را ارائه میکند و عوامل پشت برخی روندها را توضیح میدهد و در نتیجه، تصمیمهای آگاهانهتری را ممکن میسازد.
برای مثال، هنگام دستهبندی و بررسی تراکنشهای مشکوک اتاق پایاپای خودکار (ACH)، فرایند دستی سنتی شامل جمعآوری داده، شناسایی روندها از پروندههای قبلی و بررسی دستی امکان تبانی است. در مقابل، تصمیمگیری ریسکی مبتنی بر هوش مصنوعی بهطور مداوم تراکنشها را تحلیل میکند، بهسرعت بینظمیها را شناسایی میکند (برای نمونه، نبود ارتباط میان ذینفع و مشتری یا تراکنشهای با مبلغ بالا از منابع ناشناخته) و توصیه به مسدود کردن تراکنشها میکند. این سامانه همچنین تحلیل گراف روی موجودیتهای مرتبط انجام میدهد تا تبانی را کشف کند و نیاز به بررسی دستی را کاهش دهد.
کارشناسان ریسک میتوانند از سامانه بخواهند توضیح دهد چرا یک پرونده تشکیل شده و بر اساس دانش کسبوکار و درکشان از روندهای تقلب، تصمیمهای آگاهانه بگیرند.
تصمیمگیری ریسکی مبتنی بر هوش مصنوعی با ارائه بینشها و توضیحات قابل اعتماد، کارشناسان ریسک را توانمند میکند تا راهبردیتر و پیشنگرتر عمل کنند و کشف تقلب را مقیاسپذیرتر و کارآمدتر کند.
خودکارسازی: خودکارسازی ریسک
آخرین ستون در رویکرد تصمیمگیری ریسکی مبتنی بر هوش مصنوعی، «خودکارسازی» است که کار کارشناسان ریسک را ساده و روان میکند. کارشناسان ریسک اغلب مقدار قابل توجهی از زمان خود را صرف وظایف تکراری مانند پایش روندهای تقلب و تولید خلاصههای عملکرد میکنند.
خودکارسازی این وظایف گزارشدهی با استفاده از هوش مصنوعی مولد ممکن است، چون این فناوری قادر است دادهها را در پسزمینه جمعآوری و پردازش کرده و بهسرعت گزارش تولید کند. برای مثال، هنگام تهیه گزارشهای ماهانه درباره روندهای عملکرد، فرایند سنتی شامل جمعآوری دستی داده و استفاده از ابزارهایی مانند صفحات گسترده برای ساخت گزارش است، که زمانبر و خستهکننده است. تصمیمگیری ریسکی مبتنی بر هوش مصنوعی این فرایند را خودکار میکند. شما میتوانید بهسادگی از آن بخواهید گزارشی درباره روندهای عملکرد در سهماهه گذشته تولید کند و سامانه هم یک نمای کلی از روندها ارائه میدهد و هم خود گزارش را میسازد. اگر گزارش مفید باشد، میتوانید از سامانه بخواهید گزارشهای مشابه را بهطور منظم تولید کند.
خودکارسازی، ستونی کلیدی است که مدیریت ریسک را با آزاد کردن زمان و تلاش صرفشده برای کارهای تکراری، ارتقا میدهد و به کارشناسان ریسک اجازه میدهد روی جنبههای راهبردیتر کار خود تمرکز کنند. این شش ستون بهطور جمعی، پایه رویکرد تصمیمگیری ریسکی مبتنی بر هوش مصنوعی را تشکیل میدهند و کشف تقلب و مدیریت ریسک را متحول میکنند.
نتیجهگیری
با استفاده از هوش مصنوعی مولد، تصمیمگیری ریسکی مبتنی بر هوش مصنوعی در حال متحول کردن حوزه کشف تقلب است. این رویکرد بهدلیل ترکیب ویژه فناوریها و تواناییها، میتواند با دقت و چابکی بیسابقه با تقلب مقابله کند. از طریق یکپارچهسازی هوش مصنوعی مولد و یادگیری ماشین سنتی، این روش یک راهحل همهجانبه برای صحنه همیشه در حال تحول تقلب ارائه میدهد.
بافت دانشی، درک دقیقی از الگوهای تقلب فراهم میکند و یادگیری سازگار، سازگاری بلادرنگ با ریسکهای جدید را تضمین میکند. کشف ناهنجاری و غنیسازی دادهها (Data Augmentation) عملکرد مدل را بهبود داده و مثبتهای کاذب را کاهش میدهد. با کاهش نیاز به مداخله انسانی، تصمیمگیری ریسکی مبتنی بر هوش مصنوعی، کشف تقلب را به یک فرایند پیشنگر و کارآمد تبدیل میکند.
همزمان با ادامه تحول دنیای دیجیتال، مبارزه با تقلب نیز باید دگرگون شود. راهحلهای مبتنی بر هوش مصنوعی مانند تصمیمگیری ریسکی مبتنی بر هوش مصنوعی، نقشی محوری در محافظت از تراکنشهای آنلاین و حفاظت از مصرفکنندگان و کسبوکارها در برابر تهدید دائماً رو به رشد تقلب ایفا خواهند کرد.
