ارائه مدل تشخیص تقلب بانکی مبتنی بر الگوریتم های یادگیری ماشین: مقایسه تجربی رگرسیون لجستیک، درخت تصمیم و جنگل تصادفی

دگرگونی صنعت بانکداری از طریق دیجیتالی سازی بدون تردید دسترسی و سهولت را برای مشتریان در سراسر جهان متحول کرده است. با این حال این تغییر پارادایم چالش های جدیدی را نیز به همراه آورده است که مهمترین آنها در حوزه امنیت سایبری نمایان شده است. راهبردهای متداول مبتنی بر قوانین در تشخیص تقلب در همگامی با تکامل سریع تهدیدات سایبری ناتوان بوده و این امر موجب افزایش علاقه مندی به رویکردهای تطبیقی تر مانند یادگیری بدون ناظر شده است. علاوه بر این همه گیری کووید-۱۹ مسئله تقلب بانکی را تشدید کرده است؛ چرا که گذار گسترده به بسترهای آنلاین و افزایش تراکنش های مرتبط با صندوق های خیریه فرصت های مناسبی را برای سوء استفاده مجرمان سایبری فراهم آورده است. در پاسخ به این دغدغه های فوری این مطالعه به بررسی الگوریتم های یادگیری ماشین در تحلیل و شناسایی تراکنش های بانکی متقلبانه می پردازد. نوآوری علمی این پژوهش در توسعه مدل هایی ویژه برای این هدف و به کارگیری تکنیک های نوین پیش پردازش به منظور افزایش دقت تشخیص نهفته است. این مطالعه با بهره گیری از مجموعه ای متنوع از الگوریتم ها از جمله جنگل تصادفی (Random Forest)، نزدیک ترین همسایه (KNN)، بیز ساده Nave Bayes، درخت تصمیم (Decision Trees) و رگرسیون لجستیک (Logistic Regression)، نتایج امیدوارکننده ای ارائه می دهد. به ویژه مدل های رگرسیون لجستیک و درخت تصمیم مقادیر چشمگیری از دقت و سطح زیر منحنی (AUC) را به ترتیب در حدود ۰.۹۸، ۰.۹۷ و ۰.۹۵، ۰.۹۴ نشان می دهند. با توجه به ماهیت فراگیر تقلب بانکی در جامعه دیجیتال، امروز به کارگیری الگوریتم های هوش مصنوعی برای تشخیص تقلب اقدامی حیاتی و به موقع محسوب می شود که امنیت و اعتماد را در اکوسیستم مالی ارتقا می بخشد.

کلیدواژه ها:

بانکداری ، امنیت سایبری ، تشخیص تقلب ، یادگیری ماشین ، تراکنش دیجیتال