شبكة عصبية متبقية عميقة أحادية البعد مع آلية الانتباه الذاتي للكشف عن معاملات الاحتيال في الاقتصادات الافتراضية

لماذا تحتاج العوالم الافتراضية إلى حماية من العالم الحقيقي

من الحفلات الافتراضية إلى مراكز التسوق الرقمية، يتدفّق المزيد من أموالنا عبر عوالم على الإنترنت تُسمى غالبًا الميتافيرس. وحيثما تتحرك الأموال، يتبعها المحتالون بسرعة. تستعرض هذه الورقة كيف يمكن لنموذج ذكاء اصطناعي جديد مراقبة هذه المعاملات السريعة والصعبة المتابعة ووضع علامات على السلوكيات عالية المخاطر في الزمن الحقيقي، مما يساعد على حماية محافظ المستخدمين الافتراضية.

تحرك الأموال في الميتافيرس

في الميتافيرس، يشتري المستخدمون ويبيعون سلعًا رقمية، ويتاجرون بأراضٍ افتراضية، وينقلون العملات المشفرة بين محافظ منتشرة حول العالم. تترك هذه المعاملات آثارًا معقدة: طوابع زمنية، مبالغ، مواقع، تفاصيل الأجهزة، أنماط سلوك، والمزيد. وعلى عكس المصارف التقليدية، تكون هذه البيانات عالية الحجم، جزئيًا مجهولة، وتتدفق باستمرار. تكافح أنظمة مكافحة الاحتيال القديمة، التي عادة ما تتخذ قرارًا بنعم أو لا حول ما إذا كانت المعاملة احتيالية، في هذا البيئة الجديدة. فهي غير مُهيأة للتعامل مع السلوك المتغير، والهويات المخفية، والحاجة إلى تقييم كل معاملة خلال أجزاء من الثانية.

تحويل البيانات الفوضوية إلى إشارات قابلة للاستخدام

يبني الباحثون على مجموعة بيانات معاملات ميتافيرس عامة تحتوي على ما يقرب من 80,000 سجل، كل منها موسوم باعتباره منخفض، متوسط، أو عالي المخاطر. تتضمن كل معاملة 14 عنصر معلومات مختلفًا، مثل وقت اليوم، نوع المعاملة (مثل شراء، تحويل، أو احتيال)، منطقة المستخدم، وتكرار تسجيل الدخول، ودرجة خطر محسوبة. العديد من هذه العناصر كلمات وليست أرقامًا، لذا يحول الفريق أولًا هذه القيم إلى شكل رقمي باستخدام مخططات ترميز بسيطة. كما يصححون مشكلة واقعية رئيسية: معظم المعاملات آمنة، بينما حالات المخاطر العالية نادرة. ولمنع النموذج من "التعلم" أن كل شيء آمن، يضاعفون حالات المخاطر المتوسطة والعالية الأقل تمثيلًا حتى تمثل المستويات الثلاثة للمخاطر تمثيلاً متساويًا.

نموذج ذكاء اصطناعي طبقي يولي اهتمامًا

في صميم العمل نموذج تعلم عميق قائم على شبكة عصبية التفافية أحادية البعد، أو 1D-CNN. تم تصميم هذا النوع من الشبكات للتعامل مع التسلسلات، لذا يمكنه معاملة ميزات المعاملة أشبه بسلسلة زمنية قصيرة بدلًا من لقطة ثابتة، مما يلتقط أنماطًا محلية دقيقة في ترتيب السمات. وعلى قمة ذلك، يضيف الباحثون لمستين حديثتين. الاتصالات المتبقية تعمل كاختصارات تساعد المعلومات على التدفق بسلاسة أكبر عبر الطبقات، مما يُسهّل تدريب شبكات أعمق دون أن تتعثر. ثم تتعلم آلية الانتباه الذاتي أي أجزاء كل معاملة هي الأكثر أهمية لتحديد مستوى الخطر، مخصصة وزنًا أعلى لدلالات مثل درجات الخطر المرتفعة غير العادية أو أنماط الشراء المشبوهة.

وضع النظام تحت الاختبار

بمجرد التدريب، يُقيّم النموذج بعدة طرق. على مجموعة بيانات الميتافيرس المتوازنة، يصنّف المعاملات منخفضة، متوسطة، وعالية المخاطر بنتائج مثالية عبر مقاييس معيارية: تُكشف كل حالة خطرة في جزء الاختبار وتُوسم بشكل صحيح. يؤكد التحقق المتبادل، الذي يعيد خلط وتقسيم البيانات مرارًا، أن هذا الأداء مستقر وليس مجرد صدفة في تقسيمة واحدة. كما يقارن المؤلفون تباينات في البنية—باستخدام 1D-CNN فقط، أو إضافة الاتصالات المتبقية فقط، أو إضافة الانتباه فقط، أو الجمع بين الاثنين—ويجدون أن جميعها تصل إلى دقة قمة مشابهة على هذه البيانات النظيفة، رغم أن النسخة الكاملة أبطأ في التدريب. لاختبار المتانة، يضيفون عمدًا أنواعًا مختلفة من الضجيج والالتواءات؛ ينخفض الأداء تحت فساد شديد لكنه يبقى قويًا عندما تفقد الميزات ببساطة بشكل عشوائي. تُظهر أدوات بصرية مثل مخططات t-SNE أنه بعد المعالجة، تتجمع المعاملات بوضوح في ثلاث مجموعات تتوافق مع مستويات الخطر، ما يشير إلى أن النموذج قد فصل السلوكيات الأساسية فعلاً.

ما وراء الميتافيرس: الاحتيال التقليدي أيضًا

لمعرفة ما إذا كان نهجهم يعمم، يطبّق الفريق نفس 1D-CNN المحسّن على مجموعة بيانات احتيال بطاقات ائتمان مستخدمة على نطاق واسع من أوروبا، والتي تعاني أيضًا من خلل شديد في توزيع الفئات. بعد موازنة جزء التدريب فقط وترك مجموعة الاختبار دون مساس، يصل النموذج إلى حوالي 94% دقة ويحقق أيضًا دقة استرجاع ومعيارية قوية في حالات الاحتيال. يشير ذلك إلى أن البنية ليست مخصصة فقط لبيانات الميتافيرس، بل يمكنها أيضًا التعامل مع معاملات البطاقات المألوفة، مقدمة طريقة موحدة لتقييم المخاطر عبر الأنظمة المالية الافتراضية والتقليدية.

ماذا يعني هذا للمستخدمين اليوميين

بالنسبة للقارئ العادي، الرسالة الأساسية واضحة: مع قضائنا وقتًا وميزانية أكبر داخل العوالم الرقمية، نحتاج إلى حراس أذكى عند البوابات. تُظهر هذه الدراسة أن نموذج ذكاء اصطناعي مصمم بعناية يمكنه غربلة تيارات معاملات الميتافيرس الصاخبة والمتغيرة بسرعة وفصل النشاط الروتيني عن السلوك المشبوه حقًا، مع أداء جيد أيضًا على بيانات بطاقات الائتمان الاعتيادية. وعلى الرغم من اعتراف المؤلفين بأن الأداء المثالي على مجموعات بيانات نظيفة وقريبة من التركيب الصناعي من غير المحتمل أن يصمد في جميع البيئات الواقعية، فإن اختبارات الضجيج والضغط لديهم تشير إلى أساس متين. عمليًا، يمكن لمثل هذه الأنظمة أن تساعد المنصات والبنوك على اكتشاف الأنماط الخطرة مبكرًا، والحد من خسائر الاحتيال، ومنح المستخدمين ثقة أكبر بأن أصولهم الافتراضية تُراقب في الزمن الحقيقي.

الاستشهاد: Mohammed, K.K., Abdo, A.S., Darwish, A. et al. A deep residual 1D-CNN with self-attention for fraud transaction detection in virtual economies. Sci Rep 16, 6150 (2026). https://doi.org/10.1038/s41598-026-37032-w

الكلمات المفتاحية: تمويل الميتافيرس, كشف الاحتيال, التعلم العميق, تصنيف المخاطر, المعاملات الافتراضية