کاربرد هوش مصنوعی در کشف تقلب مالی با الگوریتم های یادگیری ماشین

شناسایی تقلب مالی یکی از چالش های اساسی در سازمان ها و بانک ها است که بر سلامت مالی و تصمیم گیری مدیریتی تاثیر مستقیم دارد. با افزایش حجم و پیچیدگی تراکنش های مالی، روش های سنتی کشف تقلب، زمان بر و مستعد خطا بوده و توانایی شناسایی الگوهای پیچیده و غیرخطی را ندارند. این پژوهش با هدف بررسی کاربرد الگوریتم های یادگیری ماشین و شبکه های عصبی مصنوعی در کشف تراکنش های مشکوک مالی در یک سازمان بزرگ با ۷۰۰ کارمند انجام شد. داده های تراکنش های مالی طی سال های ۱۴۰۳–۱۴۰۴ جمع آوری و پس از پیش پردازش، برای آموزش و آزمون مدل های طبقه بندی Random Forest و XGBoost، شبکه های عصبی و الگوریتم های تشخیص ناهنجاری مورد استفاده قرار گرفت. عملکرد مدل ها با معیارهای دقت (Precision)، بازیابی (Recall)، شاخص F۱ و زمان پردازش ارزیابی شد. نتایج نشان داد که شبکه عصبی مصنوعی بالاترین دقت و F۱-Score را ارائه داده و الگوریتم های طبقه بندی نیز با زمان پردازش کمتر، عملکرد قابل قبولی داشتند. الگوریتم های تشخیص ناهنجاری با شناسایی سریع تراکنش های غیرمعمول، نقش مکملی در بهبود کارایی سیستم ایفا کردند. یافته ها نشان می دهد که استفاده ترکیبی از مدل های یادگیری ماشین و روش های تشخیص ناهنجاری می تواند چارچوبی عملی، دقیق و قابل اجرا برای کشف تقلب مالی فراهم کند و به کاهش ریسک مالی و تسریع فرآیند تصمیم گیری کمک نماید.

کلیدواژه ها:

هوش مصنوعی ، یادگیری ماشین ، کشف تقلب مالی ، تشخیص ناهنجاری ، شبکه عصبی