التعلم الآلي (ML)
التعلم الآلي هو مجموعة من الأساليب المستخدمة لبناء أنظمة تستمد سلوكها من البيانات بدلاً من التعليمات الصريحة. فبدلاً من أن يقوم شخص ما بكتابة القاعدة، يستنتج النظام العلاقة من الأمثلة — مما يجعله مناسبًا للمشكلات التي يكون فيها النمط حقيقيًّا ولكن لا يستطيع أحد صياغته.
يُعد كل من الكشف عن الاحتيال والتحقق من الهوية من هذه المشكلات، ويشكل التعلم الآلي الأساس لمعظم الحلول المستخدمة في كل منهما. كما أنه مجال تُناقش فيه الإمكانات أكثر من الحدود، وفيما يتعلق بالاحتيال، تتعلق الحدود في الغالب بالبيانات وليس بالخوارزميات.
| التعلم الخاضع للإشراف | يتعلم من الأمثلة المصنفة — معظم أنظمة تقييم مخاطر الاحتيال |
| التعلم غير المُشرف عليه | يكتشف البنية بدون تسميات — الكشف عن الحالات الشاذة، والتجميع |
| في عملية التحقق من الهوية | تصنيف المستندات، واستخراج البيانات، ومطابقة الوجوه، الحيوية |
| في مجال الكشف عن الاحتيال | تقييم المخاطر، ونمذجة السلوك، وتحليل الشبكات والروابط |
| تم تقييمه باستخدام | AUC، الدقة والشمولية — وليس الصحة |
| العقبة الرئيسية في قضايا الاحتيال | ركز على جودة التسمية، لا على بنية النموذج |
ما الذي يتفوق فيه التعلم الآلي على القواعد
تُعبِّر القاعدة عن علاقة يعرفها المرء مسبقًا. ويُعد ذلك نقطة قوة عندما تكون العلاقة مستقرة وتحتاج إلى تفسير، ويُعد عائقًا كبيرًا عندما ينطوي النمط المفيد على تفاعل العديد من الإشارات الضعيفة.
تكون إشارات الاحتيال في الغالب ضعيفة إذا ما تم النظر إليها بشكل فردي. فاستخدام جهاز جديد ليس بالأمر الملفت للنظر. كما أن استخدام الخدمة في وقت غير معتاد قليلاً ليس بالأمر الملفت للنظر. وعنوان الشحن الذي يبعد مائتي ميل عن عنوان الفواتير ليس أمراً غير عادي. لكن هذا المزيج، عند بلوغه قيمة معينة، من شبكة معينة، قد يكون مؤشراً تنبؤياً قوياً — ولن يكتب أحد هذه القاعدة، لأن التفاعل غير مرئي عند الفحص.
كما تتكيف النماذج مع التغيرات التي تطرأ على القاعدة، حيث تتراكم مجموعة القواعد. وتحتوي معظم محركات القواعد الناضجة على مئات القواعد، بعضها يتعارض مع بعضها الآخر، والعديد منها كُتب لظروف لم تعد موجودة، ولا أحد يرغب في إزالتها لأن لا أحد يعرف ما الذي يعتمد على ماذا.
أما في مجال التحقق من الهوية، فإن الأمر أكثر وضوحًا. فقراءة وثيقة في ظروف إضاءة متنوعة من بين مئات التصاميم المختلفة، أو تحديد ما إذا كان الوجه موجودًا فعليًّا، هما مهمتان إدراكيتان لا يمكن تحديدهما كقواعد على الإطلاق.
لماذا تُعد العلامات هي العائق الحقيقي
هذا هو الجزء الذي يحدد مدى جودة نموذج الكشف عن الاحتيال، وهو يمثل مشكلة تتعلق بالبيانات أكثر منها مشكلة تتعلق بالنمذجة.
- الحالات المرفوضة لا تكون لها نتيجة. لم يُكشف أبدًا عما إذا كان الطلب الذي تم رفضه احتياليًا أم لا. ولا يتعلم النموذج أبدًا ما إذا كانت حالات الرفض تلك صحيحة أم لا، كما أن إعادة التدريب على قراراته الخاصة يعزز هذه القرارات. ومع مرور الوقت، يتحسن النموذج في إعادة إنتاج القرارات السابقة، وهو ما لا يعني بالضرورة تحسنه في الكشف عن الاحتيال.
- يُعتبر الاحتيال الذي لم يتم كشفه عملاً مشروعاً. تظل حالات الاحتيال التي لم يتم اكتشافها أبدًا موجودة في بيانات التدريب باعتبارها نتائج صحيحة، مما يُعلم النموذج بشكل فعال أن هذا النمط مقبول.
- تصل الملصقات متأخرة. قد يستغرق إجراء استرداد المبلغ شهورًا؛ أ الراكب النائم قد يستغرق الأمر سنوات. فهذا النموذج يتعلم دائمًا من عالم يتطور باستمرار.
- حالات الاحتيال نادرة. ونظرًا لأن نسبة الحالات الإيجابية تقل بكثير عن 1٪، فإن النموذج لا يصادف سوى عدد قليل جدًّا من الأمثلة على ما تم إنشاؤه لاكتشافه، وبالتالي تصبح الدقة مقياسًا لا معنى له — حيث تبلغ نسبة الموافقة على كل الحالات أكثر من 99٪.
النتيجة: في مجال الاحتيال، عادةً ما تكون الفجوة بين النموذج الجيد والنموذج المتوسط أصغر من الفجوة بين السمات الجيدة والسمات الضعيفة. عادةً ما يُحقق الجهد المبذول في تحسين جودة البيانات عائدًا أكبر من الجهد المبذول في تطوير البنية.
لماذا يعد ذلك مهمًا للتحقق من الهوية
يظهر «التعلم الآلي» مرتين في مجال العمل المتعلق بالهوية، حيث يؤدي وظائف مختلفة.
التحقق الداخلي وهي تقوم بعمليات الاستشعار: تصنيف الوثيقة المعروضة من بين مئات الأنواع، وتحديد مواقع الحقول وقراءتها، وتقييم ما إذا كانت ميزات الأمان موجودة ومتسقة، ومطابقة الوجه مع الصورة، والتحقق من حيوية الوجه. وهذه هي المهام التي حلت فيها النماذج محل الأساليب التي لم تكن تعمل بشكل جيد أبدًا.
المرحلة النهائية، يزود التحقق النموذج بفئة من السمات تختلف من الناحية النوعية. فالنموذج المخصص للكشف عن الاحتيال الذي يقرأ بيانات الطلب المُعلنة ذاتيًا يستنتج استنتاجاته بناءً على الادعاءات التي اختار مقدم الطلب تقديمها. أما النموذج نفسه، عند تزويده باسم وتاريخ ميلاد ورقم وثيقة تم التحقق منها، فيستنتج الحقائق. كما يصبح قادرًا على ربط السجلات بنفس الشخص الحقيقي، وهو ما تتطلبه ميزات السرعة والشبكة — وهو ما لا يمكن للبيانات المُعلنة ذاتيًا دعمه، نظرًا لأن الهوية المزيفة مصممة بحيث لا يمكن ربطها.
الملخص الصريح: النماذج الأفضل تُسهم في تحسين النتائج بشكل هامشي، أما المدخلات الأفضل فتؤثر على المنحنى بأكمله.
ما لا يستطيع التعلم الآلي تحقيقه في مجال مكافحة الاحتيال
لا يمكنه اكتشاف ما لم يسبق له رؤيته. تكتشف النماذج الخاضعة للإشراف أنماطًا تشبه حالات الاحتيال المعروفة. ولا تظهر التقنية المبتكرة حقًّا إلا بعد تصنيف عدد كافٍ منها، ولهذا السبب تظل القواعد وحكم المحللين ضروريين إلى جانب النماذج، وليس كأسلوب قديم.
لا يمكنها تفسير نفسها دون بذل جهد متعمد. تتطلب العديد من الأنظمة شرح القرارات السلبية للشخص المعني. ولا تفي النتيجة بهذا الشرط، لذا يجب بناء قابلية التفسير بدلاً من افتراضها.
لا يمكن تحقيق العدالة من خلال إزالة السمات المحمية. تتعلم النماذج المتغيرات البديلة — مثل الموقع الجغرافي، وتكلفة الجهاز، وأنماط الأسماء — ويؤدي حذف الحقل الصريح إلى بقاء الارتباط على حاله. وتتطلب العدالة قياس النتائج عبر المجموعات المختلفة، وليس حذف الأعمدة.
إنه لا يبقى في حالة جيدة من تلقاء نفسه. يتكيف الاحتيال، وتتغير المجموعات السكانية، وتتحول النماذج. فالنموذج الذي لا يخضع للمراقبة في ضوء البيانات الحديثة للنتائج يتدهور بهدوء بينما يستمر في إصدار أرقام تبدو موثوقة.
لا يمكنه تحديد الهوية. يمكن للنموذج أن يستنتج أن إحدى الحالات تشبه عملية احتيال. لكنه لا يستطيع تحديد هوية الشخص المعني — فهذا يتطلب أدلة، والأدلة تختلف في طبيعتها عن الاستدلال.
الأسئلة الشائعة
كيف يُستخدم التعلم الآلي في الكشف عن الاحتيال؟
يُستخدم بشكل أساسي في تقييم المخاطر، حيث يقوم النموذج بتقييم العديد من الإشارات الضعيفة لترتيب الحالات؛ وفي نمذجة السلوك، لمقارنة الأنشطة بالأنماط المُكتسبة؛ وفي تحليل الشبكات، لاكتشاف الروابط بين الحسابات التي لا تعبر عنها أي قاعدة. كما يُستخدم في التحقق من الهوية لقراءة المستندات ومطابقة الوجوه والتحقق من حيوية الوجه.
هل التعلم الآلي أفضل من القواعد في الكشف عن الاحتيال؟
لأغراض مختلفة. تعالج النماذج العديد من الإشارات الضعيفة المتفاعلة وتتكيف مع التغيرات التي تطرأ على المجموعات. أما القواعد فهي صريحة وقابلة للتفسير ويمكن تطبيقها على الفور — وهو أمر مهم في ظل القيود التنظيمية وللاستجابة لهجوم جديد في نفس اليوم. وتعمل أنظمة الإنتاج في الغالب على كليهما.
لماذا تُعد الدقة مقياسًا غير مناسب لنماذج الكشف عن الاحتيال؟
لأن حالات الاحتيال نادرة. فعند معدل احتيال يبلغ 0.1٪، يكون النموذج الذي يوافق على كل شيء دقيقًا بنسبة 99.9٪ ولا يكتشف أي حالة احتيال. وتعكس الدقة، ومعدل الاسترجاع، والمساحة تحت منحنى الدقة-الاسترجاع أداء النموذج في الحالات المهمة.
ما الذي يحد من قدرة التعلم الآلي في الكشف عن الاحتيال؟
جودة التصنيفات، أكثر من أي شيء آخر. فالطلبات المرفوضة لا تُسجل أي نتيجة، والغش الذي لم يتم اكتشافه يُسجل على أنه شرعي، والتصنيفات تصل متأخرة بأشهر. والنموذج الذي يتم تدريبه بهذه الطريقة يتعلم إعادة إنتاج القرارات السابقة، لذا فإن تحسين البيانات الأساسية عادةً ما يحقق نتائج أفضل من تحسين النموذج نفسه.
مقالات ذات صلة
- مؤشر الاحتيال — النتائج التي تنتجها هذه النماذج
- المساحة تحت المنحنى — كيف تُقاس جودة النموذج
- تحليل الاحتيال القائم على السلوك — تعتمد نماذج عائلة «سيغنال» بشكل كبير على
- الكشف عن الحيوية — مهمة إدراكية لا يمكن لأحد سوى النماذج القيام بها