تشخیص هوشمند رفتار مشکوک در تراکنش های بانکی: از قواعد ثابت تا یادگیری تطبیقی

تشخیص هوشمند رفتار مشکوک در تراکنش های بانکی: از قواعد ثابت تا یادگیری تطبیقی

در بانکداری دیجیتال، تقلب تراکنشی الگویی پیوسته در حال تغییر است. سامانه های مبتنی بر قواعد ثابت، مانند مسدودکردن خودکار تراکنش های بالاتر از یک سقف مشخص یا تراکنش های خارج از کشور، در برابر این تغییر مداوم دو ضعف هم زمان دارند: از یک سو، مجرمان با آزمون و خطا مرز قاعده را کشف می کنند و زیر آن عمل می کنند و از سوی دیگر، مشتریان قانونی که رفتارشان از الگوی معمول فاصله گرفته است، بی دلیل مسدود می شوند. نتیجه، هم نشت تقلب و هم اصطکاک در تجربه مشتری است؛ دو هزینه ای که به اعتماد به بانک آسیب می زنند. چالش اصلی این است که چگونه می توان رفتار مشکوک را در لحظه تراکنش، بدون آنکه جریان پرداخت قانونی مختل شود، شناسایی کرد.

پاسخ عملی، گذار از قاعده ثابت به پروفایل رفتاری تطبیقی است. به جای آنکه فقط مبلغ تراکنش سنجیده شود، مدل یادگیری ماشین (Machine Learning) تصویر رفتاری هر مشتری را می سازد: ساعات معمول تراکنش، مبالغ رایج، دستگاه ها و کانال های مورد استفاده، سرعت تراکنش ها و مقاصد پرتکرار. سپس مدل های تشخیص ناهنجاری (Anomaly Detection) انحراف تراکنش جاری از این پروفایل را امتیازدهی می کنند و مدل های طبقه بندی (Classification) احتمال تقلب را برآورد می کنند. در لایه بالاتر، تحلیل گراف (Graph Analysis) می تواند ارتباط های پنهان میان حساب ها، دستگاه ها و مقاصد مشکوک را آشکار کند؛ ارتباطی که در نگاه تک تراکنشی دیده نمی شود. خروجی این سامانه نباید یک تصمیم دودویی مسدودکردن یا عبور باشد، بلکه یک امتیاز ریسک پلکانی است: تراکنش کم ریسک عبور می کند، تراکنش پرریسک متوقف می شود و تراکنش خاکستری به احراز هویت مرحله ای یا بازبینی انسانی ارجاع داده می شود تا دقت مدل با بازخورد بازبینان بهبود یابد.

نکته استراتژیک اینجاست که تشخیص تقلب، مسئله ای صرفا فناورانه نیست، بلکه توازن میان امنیت و تجربه مشتری است. مدلی که بیش از حد سخت گیر باشد، مشتری قانونی را می راند و مدلی که بیش از حد سهل گیر باشد، زیان مالی می سازد. توصیه عملی، آغاز با یک پایلوت محدود روی یک کانال پرداخت، سنجش سه شاخص «نرخ شناسایی تقلب»، «نرخ هشدار کاذب» و «زمان شناسایی» و بازبینی سوگیری مدل است تا گروهی از مشتریان نظام مند مسدود نشوند. همچنین، شفافیت تصمیم برای بازبین انسانی و رعایت حریم خصوصی داده های تراکنشی، شرط بقای چنین سامانه ای است. در این معماری، هوش مصنوعی جایگزین قضاوت انسانی نمی شود: ماشین تراکنش ها را می پاید و انسان درباره موارد مرزی تصمیم می گیرد.

کلیدواژه ها: تشخیص تقلب، یادگیری ماشین، بانکداری دیجیتال، تحلیل ناهنجاری، امنیت تراکنش

هانی سعادتی اصل | پژوهشگر و متخصص هوش مصنوعی، مدیریت کسب وکار و سیستم های بانکی