تشخیص هوشمند تقلب در پرداخت های الکترونیکی با استفاده از Agentic AI و Graph Neural Networks

گسترش پرداخت های الکترونیکی، بانکداری دیجیتال، خدمات مالی برخط و افزایش وابستگی کاربران و کسب وکارها به ابزارهای پرداخت غیرحضوری، موجب افزایش حجم، سرعت و پیچیدگی تراکنش های مالی شده است. هم زمان با توسعه این زیرساخت ها، روش های تقلب نیز از الگوهای ساده و قابل شناسایی به رفتارهای چندمرحله ای، پویا، شبکه ای و تطبیقی تغییر یافته اند. سامانه های سنتی تشخیص تقلب که عمدتا بر قواعد از پیش تعریف شده، آستانه های ثابت و بررسی مستقل تراکنش ها متکی هستند، در برابر چنین الگوهایی با محدودیت مواجه می شوند. در این شرایط، بهره گیری از هوش مصنوعی و به ویژه ترکیب هوش مصنوعی عامل با شبکه های عصبی گراف می تواند چارچوبی جدید برای تشخیص، تحلیل و واکنش هوشمند به تقلب فراهم کند. هدف پژوهش حاضر، تحلیل ظرفیت این ترکیب فناورانه در طراحی سامانه ای هوشمند برای شناسایی تقلب در پرداخت های الکترونیکی است. پژوهش از نظر هدف کاربردی و از نظر روش، مروری تحلیلی است و با بررسی منابع فارسی مرتبط با تشخیص تقلب، یادگیری ماشین، شبکه های عصبی، تحلیل گراف، بانکداری هوشمند و عامل های خودمختار مالی انجام شده است. یافته ها نشان می دهد که شبکه های عصبی گراف می توانند روابط میان مشتری، حساب، کارت، پذیرنده، دستگاه، نشانی اینترنتی، موقعیت مکانی و تراکنش ها را به صورت شبکه ای تحلیل کنند و الگوهایی را شناسایی نمایند که در تحلیل مستقل هر تراکنش قابل مشاهده نیستند. از سوی دیگر، هوش مصنوعی عامل با برخورداری از قابلیت مشاهده محیط، تحلیل وضعیت، برنامه ریزی، انتخاب اقدام، استفاده از ابزارها و یادگیری از بازخورد می تواند لایه تصمیم یار و واکنش گر سامانه را تقویت کند. ترکیب این دو فناوری، امکان ایجاد سامانه ای را فراهم می سازد که صرفا به اعلام «مشکوک» یا «غیرمشکوک» بودن تراکنش محدود نیست، بلکه می تواند زنجیره ارتباطی تراکنش، سابقه رفتاری، سطح ریسک، روابط میان موجودیت ها و پیامد احتمالی اقدامات مختلف را تحلیل و برای اقدام مناسب پیشنهاد یا در چارچوب اختیارات تعریف شده اجرا کند. با وجود این، چالش هایی مانند عدم توازن داده ها، تغییر الگوهای تقلب، تفسیرپذیری، حریم خصوصی، امنیت عامل ها، خطای تصمیم گیری خودکار، مسئولیت حقوقی و نیاز به داده های باکیفیت باید در طراحی چنین سامانه ای مورد توجه قرار گیرد. نتیجه پژوهش نشان می دهد که معماری ترکیبی عامل محور و گراف محور می تواند به عنوان یکی از مسیرهای مهم توسعه نسل آینده سامانه های تشخیص تقلب پرداخت های الکترونیکی مطرح باشد؛ مشروط بر آنکه استقرار آن همراه با نظارت انسانی، کنترل دسترسی، ثبت رویدادها، ارزیابی مستمر و سازوکارهای شفاف پاسخ گویی انجام شود.

کلیدواژه ها:

تقلب پرداخت های الکترونیکی ، هوش مصنوعی عامل ، شبکه های عصبی گراف ، تشخیص تقلب ، بانکداری هوشمند ، یادگیری ماشین ، تحلیل گراف ، تراکنش مالی ، مدیریت ریسک ، امنیت پرداخت