کشف تخلف و تقلب توسط هوش مصنوعی fraud detection چیست؟

fraud detection

کشف تخلف و تقلب در دنیای دیجیتال امروز چه قدر امکان پذیر است؟ آیا می توان امیدی به پیشگیری از چنین تخلفاتی داشت؟ درست است که توسعه کسب و کارهای دیجیتال فضا را برای تقلب و تخلف باز کرده اما نباید ناامید بود! همانطور که پیشرفت تکنولوژی شکل تخلفات را متنوع تر کرده، راه ها و ابزارهایی که برای کشف تخلف و تقلب به کار گرفته می شوند را نیز توسعه داده است. یکی از این ابزارها، هوش مصنوعی است. در این مقاله قصد داریم تا به بررسی این پرسش ها بپردازیم که fraud detection چیست و هوش مصنوعی چه کمکی به آن کرده است. لطفا تا پایان همراه ما باشید.

فهرست مطالب

fraud detection چیست؟

fraud detection چیست

در هر زمان و هر جامعه ای، افرادی هستند که سعی در کسب منافع از طریق تقلب و تخلف دارند. توسعه فناوری های دیجیتال به همان اندازه که برای عموم مردم راهگشا و مفید بوده، امکانات را برای متقلبین و متخلفین هم فراهم کرده است.

اما قبل از پاسخ به این سوال که fraud detection چیست، باید پاسخ این سوال را بررسی کرد: «منظور از تقلب و تخلف چیست؟»

بر اساس آمارهای منتشر شده، همیشه بخشی از درآمد صنایع مختلف از جمله بانک و بیمه به دلیل تقلب و تخلف به هدر رفته است. در واقع منظور از تقلب و تخلف، به دست آوردن یا از بین بردن دارایی یا خدمات و همچنین اجتناب از پرداخت هزینه است.

این نوع فعالیت های متقلبانه صرفا به صنایع خاصی همچون بانک و بیمه محدود نمی شود. از طرفی انجام چنین کارهایی می تواند از سوی یک شخص، گروه یا سازمان انجام شود.

برای مثال می توان به دستکاری صورت حساب پزشکی و گزارشات بیمه ای، تخلف در مبادلات بانکی و ارزی بخصوص از طریق کارت های اعتباری، انجام اقدامات مجرمانه در معاملات بورس و … اشاره کرد.

حالا که با تعریف تقلب و تخلف آشنا شدیم، نوبت به بررسی پاسخ این سوال است: « fraud detection چیست؟»

منظور از کشف تخلف و تقلب، هر اقدامی است که پس از شناسایی اقدام متخلفانه، برای مقابله و پیشگیری از وقوع مجدد آن انجام می شود. این اقدامات در گذشته توسط انسان انجام می شد که طبیعتاً خالی از اشکال هم نبود.

به واسطه توسعه فناوری هایی از جمله هوش مصنوعی، کشف تخلف و تقلب شکل تازه ای به خود گرفت؛ به طوری که امروزه از مدل های مختلف این فناوری جهت تحلیل داده ها و شناسایی اقدامات مجرمانه استفاده می شود. در ادامه این مدل ها را بیشتر بررسی خواهیم کرد.

شناسایی بر اساس اصول و قواعد تعیین شده (Rule-Based Fraud Detection)

در این روش، کسب و کار متناسب با مدل فعالیت خود، قوانینی را در نظر می گیرد. در صورت زیر پا گذاشته شدن این قوانین توسط کاربر، او به عنوان متخلف شناسایی می شود. این قوانین می توانند نحوه عمل متفاوتی در کشف متخلف و متقلب داشته باشند. در ادامه به بررسی ۴ مدل آن خواهیم پرداخت.

Static Rules یا قوانین ایستا

قوانین ایستا به صورت صفر و یکی عمل می کنند. یکی از متداول ترین نمونه های این قانون، شناسایی IP است. به طور مثال، IP خاصی اجازه ورود به وبسایت را ندارد. در صورت شناسایی، به سرعت مسدود می شود. یکی از نقاط ضعف این روش، خطاهایی است که می تواند رخ دهد. مثلا کاربری به اشتباه با IP ممنوعه شناسایی شده و دسترسی او به سایت مسدود می شود. البته می توان با تعیین چند پارامتر برای قانون ایستا، از خطاهای آن کم کرد.

Scoring Rules یا قوانین امتیازدهی

برخلاف دسته قبلی، قوانین امتیازی عملکرد صفر و یکی ندارند. به جای آن، به رفتارهای مختلف کاربر امتیاز می دهند و براساس آن، همه کاربران متقلب به یک اندازه تنبیه نخواهند شد. مثلا فرد متخلفی با امتیاز ۸ نسبت به متقلب دیگری با امتیاز ۱۰ کمتر مجازات خواهد شد. مزیت این روش، خطای کمتر در کشف تخلف و تقلب است.

Velocity Rules یا قوانین سرعت

 قوانین سرعت تعداد دفعات انجام یک رفتار توسط کاربر در بازه زمانی خاصی را می سنجد. یکی از معروف ترین کاربردهای این مدل، برای پیشگیری از کشف رمز توسط متخلفان است. معمولا برای پیدا کردن رمز حساب کاربری افراد، متخلفان در بازه زمانی کوتاهی، تعداد زیادی رمز را توسط ربات ها تست می کنند. این رفتارها به کمک قوانین سرعت شناسایی و مسدود می شوند.

Machine Learning Rules یا قوانین یادگیری ماشین

در اینگونه قوانین، الگوهایی به صورت دستی و توسط انسان برای سیستم های مبتنی بر هوش مصنوعی تعریف می شوند. سپس سیستم مطابق با الگوهای دریافت شده، شروع به تحلیل داده ها می کند و موارد مشکوک به سرعت شناسایی خواهند شد. مزیت این روش در استفاده های مستمر مشخص می شود. به این دلیل که ما با نوعی ماشین یادگیرنده مواجهیم و استفاده بیشتر از این سیستم، به تکمیل تر شدن آن کمک می کند.

در مجموع، یکی از مهم ترین مزیت های استفاده از مدل های مبتنی بر قانون (Rule-Based)، قابلیت شخصی سازی آن است. یعنی هر کسب و کار متناسب با مدل فعالیت و کاربرانی که دارد، می تواند قوانین خاص خود را جهت کشف تخلف و تقلب تعریف کند.

شناسایی بر اساس اصول رفتاری مخاطب (Behavioral-Based Fraud Detection)

در این مدل ما با الگوریتم هایی طرف هستیم که متشکل از چند قانون هستند. وظیفه این الگوریتم ها، بررسی رفتار کاربران و تطابق آن با نمونه های استاندارد و طبیعی است؛ بر اساس همین فرایند، رفتارهای غیرطبیعی شناسایی می شوند تا جلوی فعالیت های مجرمانه گرفته شود.

برای مثال، کاربران با ورود به وبسایت یک فروشگاه آنلاین، احتمالا ابتدا معرفی محصول را می خوانند. سپس به سراغ مقایسه آن با سایر محصولات خواهند رفت. در نهایت ممکن است آن را به سبد خرید خود اضافه کرده و فرایند خرید را تکمیل کنند.

اما اگر کاربری در اولین ورود خود به وبسایت (شناسایی اولین ورود با کمک IP)، مستقیما محصولی گران قیمت را به سبد خرید خود اضافه کند، می تواند به عنوان رفتار مشکوک و خارج از الگوهای طبیعی شناسایی شود.

در مدل Behavioral-Based هم از یادگیری ماشین استفاده می شود. بنابراین هرچه داده بیشتری وارد این سیستم شود و قوانین متنوع تری برای ایجاد الگوریتم آن به کار گرفته شود، روند تحلیل رفتار کاربر هم دقیق تر خواهد بود.

مدل Behavioral-Based خود دارای حالت های مختلفی برای شناسایی رفتارهای غیرطبیعی است؛ مثلا ممکن است در جایی رفتار خودِ کاربر را مورد ارزیابی قرار دهد. در جای دیگر ممکن است رفتار کاربر را نسبت به جامعه  ای که به آن تعلق دارد (مثلا جامعه خریداران یک فروشگاه اینترنتی)، بسنجد و در صورت مشاهده هرگونه رفتار غیرطبیعی، درخواست هایی برای سنجش هویت کاربر ارسال کند.

اهداف fraud detection چیست؟

مهم ترین هدفی که می توان برای fraud detection نام برد، حذف انسان از فرایند شناسایی عوامل و رفتارهای مجرمانه است.

تا وقتی که قرار باشد کشف تخلف و تقلب بر عهده انسان باشد، احتمال خطاهای خواسته و ناخواسته در شناسایی رفتارها و عوامل مجرمانه وجود دارد.

بنابراین با جایگزین شدن ابزارهایی مثل هوش مصنوعی که می توانند رفتار کاربران را تحلیل کنند و به کمک الگوریتم های خود، فرایند fraud detection را انجام دهند، قطعا از میزان خطاها کاسته می شود. علاوه بر این، سرعت کشف رفتارهای مجرمانه هم افزایش چشم گیری خواهد داشت.

البته هوش مصنوعی هم کاملا بدون خطا نیست؛ اما با وجود قابلیت هایی مثل یادگیری ماشین، روزبه روز نقاط ضعف این ابزار کاهش می یابد و از خطاهای آن کاسته خواهد شد.

سوالات متداول در مورد Fraud detection

Fraud detection چیست و هوش مصنوعی چه نقشی در آن دارد؟

منظور از کشف تخلف و تقلب، هر اقدامی است که پس از شناسایی اقدام متخلفانه، برای مقابله و پیشگیری از وقوع مجدد آن انجام می شود. این اقدامات در گذشته توسط انسان انجام می شد که طبیعتاً خالی از اشکال هم نبود. اما امروزه هوش مصنوعی با روش هایی همچون Rule-Based و Behavioral-Based به کمک کشف تخلف و تقلب آمده است.

شناسایی و مسدود کردن IP کاربران جز کدام مدل های هوش مصنوعی برای Fraud detection است؟

شناسایی و مسدود کردن IP کاربران نمونه ای از کاربرد مدل Rule-Based (قانون ایستا) است.

ربات های واردکننده رمز که برای کشف رمز حساب کاربری افراد استفاده می شوند، از چه طریق شناسایی می شوند؟

به کمک روش قوانین سرعتی که نمونه ای از مدل Rule-Based محسوب می شوند.

جهت دریافت مشاوره در مورد fraud detection، این فرم را تکمیل کنید.

و در پایان این که...

fraud detection چیست؟ هوش مصنوعی چه جایگاهی در کشف تخلف و تقلب دارد؟ این ها سوالاتی هستند که سعی کردیم در این مقاله به آن ها پاسخ دهیم. به طور کلی fraud detection به کمک هوش مصنوعی می تواند به مدل های Rule-Based و Behavioral-Based انجام شود. در مدل مبتنی بر قانون، ۴ مدل را بررسی کردیم؛ قوانین ایستا، قوانین امتیازدهی، قوانین سرعت و یادگیری ماشین. اما در مدل مبتنی بر رفتار کاربر، به جای یک قانون، چند قانون جمع می شوند و الگوریتم ها را به وجود می آورند. در این مدل، رفتار کاربر به صورت فردی و همچنین از طریق مقایسه با سایر کاربران مورد تحلیل قرار می گیرد تا در نهایت رفتارهای غیرطبیعی شناسایی شوند.

در پایان، امیدواریم این مطلب برای شما مفید باشد و به سوالات تان پاسخ دهد.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

خدمات دیگر دارت