هوش مصنوعی و یادگیری ماشین در مبارزه با کلاهبرداری: اقدام موثر بانک‌ها و موسسات مالی
بیشتر بانک‌ها برای بررسی معاملات بالقوه جرائم مالی، متکی به تیم‌های تحلیلگر انسانی هستند. درحالی‌که این تیم‌ها خود با مسائل متعددی دست به گریبانند. 45% از بانک‌ها می‌گویند تحقیقات تیم‌های انسانی بسیار زمان‌بر است و 40% از آنان نیز عقیده دارند که پژوهش‌هایشان منجر به تعداد زیادی نتیجه مثبت کاذب می‌شود. این موارد زمانی اتفاق می‌افتد که معاملات قانونی، به اشتباه، “جعلی” برچسب‌گذاری می‌شوند. بانک‌ها حتی می‌توانند نرخ مثبت کاذب بیش از 90 درصد داشته باشند، در نتیجه تجارب ناخوشایندی برای مشتریان حاصل می‌شود زیرا آنها مجبور به ارسال مجدد معاملات خود به بانک‌ها خواهند شد.
جوانب مثبت هوش مصنوعی و یادگیری ماشین در مبارزه با کلاهبرداری
موسسات مالی در حال جستجوی بسیاری از راه‌ها برای غلبه بر این موانع سر پیش رو هستند، اما تعداد کمی از آنها به هوش مصنوعی (AI) و یادگیری ماشین (ML) امیدوارند. در اینجا مزایای AI و ML در مبارزه بر علیه کلاهبرداری و چالش‌هایی که بسیاری از بانک‌ها در اجرای آنها با آن روبرویند، آورده شده است.
سیستم‌های تشخیصی هدایت‌شده توسط هوش مصنوعی مزایای پیشگیری از کلاهبرداری را فراهم می‌کنند، زیرا می‌توانند معاملات را بصورت جامع تجزیه و تحلیل نمایند و هر نقطه داده در یک معامله را با نقطه داده دیگر در کسری از ثانیه مقایسه کنند.
این سیستم‌ها براساس هوش مصنوعی و یادگیری ماشین در مبارزه با کلاهبرداری ، می‌توانند هر معامله را با سایر معاملات بانکی که تاکنون پردازش کرده‌اند، مقایسه کنند تا احتمال کلاهبرداری، براساس متغیرهایی که ممکن است تحلیلگر انسانی هرگز متوجه آن نگردد، بررسی نمایند. این متغیرها مواردی همچون تلاش برای ورود به حساب یکسان با نام‌های کاربری و رمزهای عبور مختلف در چندین دوره در طول ماه‌های مختلف و یا معاملات بزرگ غیرمعمول و دیگر موارد هستند.
بانک‌ها در حال استفاده از تعدادهای بی‌شمار سیستم‌های مبتنی بر هوش مصنوعی هستند. گفته می‌شود آنها تاکنون در حدود 217 بیلیون دلار در برنامه‌های مربوط به هوش مصنوعی هزینه صرف کرده‌اند. آنها از این برنامه‌ها و اپلیکیشن‌ها، معمولا برای مواردی همچون پیشگیری از کلاهبرداری و ارزیابی عملکرد ریسک استفاده می‌کنند.
به گفته متخصصان پیشگیری از کلاهبرداری، این سرمایه‌گذاری‌ها در حال نتیجه دادن است، زیرا 80 درصد از متخصصان بر این باورند که هوش مصنوعی و یادگیری ماشین در مبارزه با کلاهبرداری بسیار موفقیت‌آمیز بوده و موجب کاهش کلاهبرداری و تقلب در پرداخت‌ها شده است؛ %63.6 از موسسات مالی، هوش مصنوعی را به عنوان ابزاری ارزشمند برای توقف کلاهبرداری قبل از انجام موفق آن ذکر کردند. این سیستم‌ها در بانک‌های بزرگی که بیش از 100 میلیارد دلار دارایی دارند، امری کاملا عادی تلقی می‌شود (72.7 درصد از این دارایی‌ها، توسط اهرم هوش مصنوعی است). متاسفانه گزارش شده است که تنها 5.5 درصد از کل موسسات مالی دارای یک سیستم مبتنی بر هوش مصنوعی هستند.
معایب استفاده از هوش مصنوعی
واضح‌ترین توضیح برای چنین شکافی هزینه سیستم‌های مبتنی بر هوش مصنوعی و یادگیری ماشین در مبارزه با کلاهبرداری است، اما نگرانی‌های دیگری نیز وجود دارد که بانک‌ها را از حرکت ورای هوش مصنوعی بازمی‌دارد. سیستم‌های هوش مصنوعی غالبا در زمان واقعی کار نمی‌کنند و 45.6 درصد از کارشناسان و متخصصان در حوزه جلوگیری از کلاهبرداری، این مسئله را نگران‌کننده می‌دانند (یک مانع قابل‌توجه برای پرداخت‌هایی که باید فورا پردازش شوند). عدم شفافیت نیز طبق گفته 42.8 درصد متخصصان یک مشکل است. یک تحلیلگر انسانی (درست برخلاف بسیاری از سیستم‌های هوش مصنوعی) می‌تواند به طور یقین، توجیح و دلیلی محکم برای رد هرگونه معامله‌های مشخص ارایه دهد. استدلال هوش مصنوعی برای رد هر یک از این معامله‌ها، که استدلال های آنها ممکن است بسیار تیره و مبهم باشد.
هوش‌مصنوعی و یادگیری‌ماشین در مبارزه با کلاهبرداری
برخی از این نگرانی‌ها توسط یادگیری ماشین (ML)، نوع پیشرفته‌تری از هوش مصنوعی (AI)، برطرف می‌گردد. سیستم‌های یادگیری ماشین (ML) معاملات گذشته را در نظر می‌گیرد و این قوانین را برای تجزیه و تحلیل آینده برای کشف جرائم مالی اعمال می‌کند. بدین‌گونه است که این سیستم‌ها، به تدریج و با گذشت زمان، به دلیل مهارت بالا در شناسایی تقلب و کلاهبرداری، در مبارزه با کلاهبرداری، بیش از پیش، مورد استقبال قرار می‌گیرند. تلاش برای جرائم مالی علیه بانک‌ها هرگز به طور کامل متوقف نخواهد شد، اما افزودن هوش مصنوعی (AI) و یادگیری ماشین (ML) به بانک‌ها و موسسات مالی برای مبارزه با کلاهبرداری می‌تواند، آنها را تا حد زیادی با شکست روبه‌رو سازد.
