تطبيق الذكاء الاصطناعي القابل للتفسير لتفسير نماذج التعلم الجماعي المراقب لاكتشاف الاحتيال ببطاقات الائتمان بشكل قوي

لماذا تهمك فحوصات الاحتيال الأذكى

في كل مرة تنقر بطاقتك أو تتسوق عبر الإنترنت، تقرر أنظمة غير مرئية في جزء من الثانية ما إذا كانت عملية الدفع آمنة. إذا كانت صارمة جدًا يُرفض استخدام بطاقتك عند البقالة. وإذا كانت متساهلة جدًا، قد يستغل مجرم حسابك. تبحث هذه الدراسة في كيفية بناء كاشفات احتيال لا تكون دقيقة فحسب، بل يمكنها أيضًا تفسير قراراتها، مما يزود البنوك بأدوات فعالة وجديرة بالثقة.

من القواعد البسيطة إلى التعلم من البيانات

كانت أنظمة الاحتيال القديمة تعتمد أساسًا على قواعد ثابتة، مثل حظر أي عملية شراء تزيد عن مبلغ معين أو في بلد بعيد. تعلّم المجرمون بسرعة كيفية التحايل على تلك القيود. يستكشف المؤلفون بدلًا من ذلك التعلم الآلي المراقب، حيث تُدرّب النماذج على معاملات سابقة موسومة بأنها حقيقية أو احتيالية. يقارنون أربع مقاربات شائعة تمتد من صيغ خطية بسيطة إلى تجميعات شجرية أكثر مرونة قادرة على التقاط أنماط دقيقة في سلوك الإنفاق.

الاختبار عبر أنواع عديدة من استخدام البطاقة

للتأكد من أن النتائج لا ترتبط بمجموعة بيانات واحدة مميزة، يقيم الباحثون النماذج الأربعة على ثلاث مجموعات مختلفة من مدفوعات البطاقات. إحداها مجموعة بيانات أوروبية معروفة تحتوي على جزء ضئيل فقط من حالات الاحتيال. وأخرى تشمل تفاصيل أغنى مثل الموقع ومعلومات التاجر وبيانات العميل. والثالثة هي مجموعة تركيبية أكبر بكثير من الصناعة تحتوي على عشرات الملايين من المعاملات. عبر كل هذه المجموعات، عادةً ما تكتشف طرق التجميع مثل الغابة العشوائية وXGBoost وLightGBM السلوك المشبوه أفضل بكثير من النموذج الأساسي الأبسط.

فتح الصندوق الأسود لقرارات النموذج

الدقة العالية وحدها لا تكفي للبنوك أو الجهات التنظيمية، التي تطالب بشكل متزايد بمعرفة سبب حظر معاملة معينة. تربط الدراسة لذلك جودة التنبؤ بالوضوح باستخدام طريقة تسمى SHAP، التي تُنسب لكل ميزة مدخلة مساهمة تجاه القرار النهائي. على مستوى مجموعات البيانات، تكشف هذه التفسيرات أي الدلائل عادةً ما تشير إلى الاحتيال، مثل فئات التجار المعينة، أو توقيتات غير اعتيادية للمشتريات، أو نماذج من رسوم اختبار صغيرة تليها رسوم أكبر. وعلى مستوى المعاملات الفردية، تُظهر كيف دفعت تفاصيل محددة النموذج نحو «احتيال» أو «شرعي»، مما يعطي المحللين نقطة بداية واضحة للمراجعة.

الموازنة بين الاحتيال الفائت والإنذارات الكاذبة

بما أن عمليات الشراء الاحتيالية نادرة جدًا، فمن السهل أن يبدو النموذج دقيقًا ببساطة عن طريق اعتبار كل شيء تقريبًا آمنًا. يتعمق المؤلفون في هذا الخلل بالنظر إلى الدقة، والاسترجاع، والمقاييس ذات الصلة، مع إيلاء اهتمام خاص لفئة الاحتيال نفسها. يكتشفون أن بعض النماذج، مثل الانحدار اللوجستي، قد تلتقط الكثير من حالات الاحتيال لكن بثمن أعداد هائلة من الإنذارات الكاذبة، بينما تقدم نماذج أخرى، مثل XGBoost، توازنًا أفضل بين كشف المعاملات السيئة وترك العملاء الحقيقيين بلا إزعاج. ويظهرون أيضًا كيف يتيح تغيير عتبة القرار للبنوك ضبط هذا التوازن ليتناسب مع شهية المخاطر لديهم والتكلفة المالية للأخطاء.

إدخال أدوات الاحتيال القابلة للتفسير إلى العالم الواقعي

أخيرًا، يوجز البحث كيفية نشر مثل هذه الأنظمة عمليًا. يقترح المؤلفون إعدادًا من خطوتين حيث يعلِّم نموذج سريع يركز على الاسترجاع أولًا لتمييز المدفوعات المشبوهة، ثم يقوم نموذج أكثر دقة مزود بتفسيرات مدمجة بترتيب وتبرير تلك التنبيهات للمحققين البشريين. يناقشون احتياجات تقنية مثل أوقات استجابة منخفضة، وخدمات سحابية قابلة للتوسع، ومراقبة لتغير تكتيكات الاحتيال، وكذلك المتطلبات القانونية بأن يتلقى العملاء أسبابًا مفهومة عندما تؤثر الأنظمة الآلية عليهم.

ماذا يعني هذا لحاملي البطاقات في الحياة اليومية

بعبارات بسيطة، تظهر الدراسة أن تعلم الآلة الحديث يمكن أن يجعل فحوصات الاحتيال أكثر حدة وشفافية في آن واحد. تميل نماذج التجميع المبنية على الأشجار، وبالأخص XGBoost وLightGBM، إلى تقديم أفضل مزيج من قدرة الكشف والمنطق القابل للفهم عبر عدة مجموعات بيانات واقعية. من خلال إقران هذه النماذج بأدوات التفسير وضبط تكاليف الأخطاء بعناية، يمكن للبنوك تصميم أنظمة احتيال تحمي أموالك بشكل أفضل مع تقليل رفض المعاملات المحبط والامتثال لمعايير تنظيمية صارمة.

الاستشهاد: Awad, S.S., Hamza, A.A., Sobh, M.A. et al. Applying explainable artificial intelligence to interpret supervised ensemble learning models for robust credit card fraud detection. Sci Rep 16, 15220 (2026). https://doi.org/10.1038/s41598-026-49939-5

الكلمات المفتاحية: احتيال بطاقة الائتمان, الذكاء الاصطناعي القابل للتفسير, تعلم الآلة, نماذج التجميع, الأمن المالي