تعزيز كشف الاحتيال ببطاقات الائتمان بنهج هجين يجمع التعلم الآلي والعميق

لماذا يهم هذا محفظتك

في كل مرة تنقر بطاقتك أو تتسوق عبر الإنترنت، يبدأ سباق صامت: هل يمكن لأجهزة الكمبيوتر في مصرفك أن تكتشف لصاً قبل أن يختفي مالك؟ مع انفجار المدفوعات الرقمية في العالم، يبتكر المجرمون حيلًا جديدة باستمرار، ولم تعد قواعد الأمان البسيطة (مثل «حظر كل المعاملات التي تزيد عن 5000 دولار ليلًا») كافية. تُظهر هذه الدراسة كيف يمكن لدمج عدة أنواع من الذكاء الاصطناعي في «فريق من الخبراء» أن يكتشف تقريبًا كل معاملة بطاقة ائتمان مزيفة في مجموعة بيانات حقيقية مستخدمة على نطاق واسع، مع توضيح سبب اتخاذ النظام لكل قرار.

تصاعد حيلة الاحتيال الرقمي

الاحتيال ببطاقات الائتمان تجارة كبيرة. الخسائر العالمية تصل بالفعل إلى عشرات المليارات من الدولارات سنويًا ومن المتوقع أن تستمر في الارتفاع مع نمو التجارة الإلكترونية والخدمات المصرفية عبر الإنترنت والمدفوعات غير النقدية. معظم المعاملات شرعية تمامًا، لكن جزءًا ضئيلًا منها احتيالي—أحيانًا أقل من اثنين من كل ألف. هذه اللا توازن يجعل المشكلة صعبة: يمكن لنظام أن يبدو دقيقًا للغاية بمجرد أن يصف معظم الحالات بأنها «طبيعية» ومع ذلك يفوّت معظم حالات الاحتيال. يركز المؤلفون على هذا التفاوت وعلى أن تكتيكات الاحتيال تتغير باستمرار، مما يتطلب أدوات مرنة معتمدة على البيانات بدلًا من قواعد جامدة مكتوبة يدويًا.

تحويل الاحتيال النادر إلى إشارة قابلة للتعلم

يبدأ الباحثون بمجموعة حقيقية من معاملات بطاقات الائتمان الأوروبية التي جُمعت على مدار يومين: حوالي 285,000 عملية دفع، منها 492 فقط احتيالية. لضمان ألا يغرق النموذج في الحالات الطبيعية، يستخدمون تقنية تُفرِض أمثلة إضافية واقعية للفئة النادرة بحيث تصبح البيانات أكثر توازناً. الطريقة الرئيسية، المسماة SMOTE، تبتكر نقاطًا اصطناعية شبيهة بالاحتيال بين حالات الاحتيال الحقيقية. كما يختبرون طريقة هجينة أكثر تعقيدًا تضيف أمثلة للأقلية وتزيل حالات الضوضاء من الأغلبية. من خلال مَعيَرة مبالغ المعاملات وأوقاتها بعناية وإبقاء التفاصيل الحساسة مخفية خلف تحويلات رياضية، يُعِدّون مجموعة بيانات نظيفة تحافظ على الخصوصية ويُمكن للكمبيوتر التعلم منها.

بناء فريق رقمي لصيادي الاحتيال

بدلًا من الاعتماد على خوارزمية واحدة، يدرب المؤلفون 37 نموذجًا مختلفًا مستمدة من التعلم الآلي الكلاسيكي، وأشجار القرار المعززة الحديثة، والشبكات العصبية العميقة. ثم يصممون «تجميعين متراكبين» خاصين يعملان كلوحة من المتخصصين تُجمَع آراؤهم بواسطة حكم نهائي. في التجميعة الأولى، يدرس نموذج شجري سريع، وشبكة نمطية تشبه شبكات الصور، وشبكة واعية لتسلسل البيانات نفس المعاملات. تُغذّى مخرجاتهم بعد ذلك إلى نموذج معزز قوي يتعلم مقدار الثقة الواجب منحه لكل متخصص. التجميعة الثانية تجمع عدة أنواع من المعزّزات وأحزابات الأشجار في بنية طبقية مشابهة. يُدرَّب كلا التجميعين أولًا على البيانات المائلة الأصلية ثم مرة أخرى على النسخة المتوازنة الناتجة عن SMOTE والطريقة الهجينة.

كشف شبه كامل وما تكلفته

على البيانات المتوازنة التي أُنشئت بواسطة SMOTE، تحقق كلتا التجميعتين المقترحتين درجات عالية ملفتة على كل مقياس معيار للنجاح: نادرًا ما يفوّتان معاملة احتيالية ونادرًا ما يطلقان إنذارًا كاذبًا على معاملة حقيقية في هذه المجموعة. عندما يقارن المؤلفون بأنظمة فردية عديدة ومع طرق منشورة سابقة استخدمت نفس البيانات، تتصدر أنظمتهم المكدسة النتائج باستمرار. كما يقيسون الجانب العملي: زمن التدريب وكمية الذاكرة المطلوبة. التجميعة التي تعتمد اعتمادًا كبيرًا على الشبكات العصبية العميقة أكثر استهلاكًا للحوسبة، بينما التجميعة التي تركز على الأشجار تقدّم دقة مماثلة مع وقت وذاكرة أقل بكثير، مما يجعلها أكثر جاذبية لأنظمة البنوك الفورية.

رؤية داخل الصندوق الأسود

قلق شائع مع الذكاء الاصطناعي المتقدم أنه يعمل كصندوق أسود: حتى مصمموه قد لا يعرفون لماذا اعتبر عملية الشراء مشكوكًا فيها. لمعالجة ذلك، تستخدم الدراسة أداتين للشرح تظهران أي الميزات المخفية للمعاملة هي الأكثر أهمية لقرار معين وعبر النظام ككل. تكشف التحليلات المرئية عن مجموعة صغيرة من المتغيرات المحوّلة التي تُحرّك توقعات الاحتيال بشكل متكرر، بينما يلعب العديد من المتغيرات الأخرى دورًا داعمًا فقط. كما يفحص المؤلفون حيث لا تزال النماذج ترتكب أخطاء، ومدى ثقتها عندما تخطئ، ومدى ثبات النتائج مع ازدياد حجم البيانات. تشير هذه الفحوص إلى أن النماذج تتعلم أنماطًا مستقرة فعليًا بدلاً من حفظ بيانات التدريب ببساطة.

ماذا يعني هذا لمستخدمي البطاقات اليوميين

بالنسبة لغير المختصين، الخلاصة مطمئنة: من خلال موازنة البيانات بذكاء وترك عدة نهج ذكاء اصطناعي تعمل معًا، يمكن للمصارف بناء كاشفات احتيال دقيقة للغاية على بيانات المعيار وكفؤة نسبيًا للتشغيل. ومثل الأهمية، يستطيع النظام شرح قراراته، مما يساعد المؤسسات على الوثوق به وتحسينه ويساعد الجهات التنظيمية على فهم سلوكه. بينما لا يزال نشره في العالم الحقيقي يواجه تحديات—كالتكتيكات الإجرامية المتغيرة باستمرار والحاجة إلى تحديثات سريعة ومستمرة—يقدم هذا النهج الهجين مخططًا قويًا للحفاظ على أمان بطاقتك من دون إغراقك بإنذارات كاذبة.

الاستشهاد: Gamal, N., Younis, E.M.G. & Makram, W.M. Enhancing credit card fraud detection with a hybrid approach using machine and deep learning. Sci Rep 16, 10944 (2026). https://doi.org/10.1038/s41598-026-42891-4

الكلمات المفتاحية: كشف الاحتيال ببطاقات الائتمان, التعلم الآلي, التعلم العميق, نماذج التجميع, البيانات غير المتوازنة