الكشف عن الهويات المزيفة باستخدام الذكاء الاصطناعي

تُصمم الهويات المزيفة بهدف تجاوز إجراءات «اعرف عميلك» (KYC) التقليدية من خلال مزج البيانات الحقيقية والمزيفة، لذا يتطلب الكشف عنها تجاوز حدود التحقق الأساسي من الهوية. وتجمع الأساليب الفعالة بين تحليل مخطط الهوية، والإشارات السلوكية، وفحوصات اتساق البيانات عبر مصادر متعددة. وهذا يعني النظر في كيفية استخدام عناصر الهوية على مدار الوقت، وتحديد الحالات الشاذة في أنماط إصدار أرقام الضمان الاجتماعي، ومعدل استخدام البريد الإلكتروني والهاتف، والتباينات بين سمات الهوية والسلوك الرقمي. والمفتاح هنا لا يكمن فقط في التحقق من وجود الهوية، بل في ما إذا كانت تتصرف كشخص حقيقي طوال دورة حياتها.

تم تحسين معظم أدوات الكشف عن الاحتيال القديمة للكشف عن الهويات المسروقة أو المخترقة، وليس الهويات المزيفة. غالبًا ما تبدو الهويات الاصطناعية «نظيفة» لأنها غير مرتبطة بتقارير احتيال معروفة أو قوائم سوداء. وهي تبني مصداقيتها ببطء، أحيانًا على مدى أشهر، قبل أن تُستخدم في عمليات الاحتيال. وإذا كان نظامك يعتمد بشكل كبير على القواعد الثابتة أو قواعد البيانات السلبية، فسوف يفوته الكشف عن هذه الحالات. يتطلب الكشف عن الهويات الاصطناعية نماذج التعلم الآلي التي تم تدريبها على علاقات الهوية، وأنماط السرعة، والإشارات السلوكية طويلة المدى، بدلاً من مجرد عمليات الفحص في لحظة معينة.

يمكن لنماذج الذكاء الاصطناعي تحليل كميات ضخمة من البيانات المنظمة وغير المنظمة لتحديد أنماط لا يمكن اكتشافها من خلال القواعد وحدها. ويشمل ذلك ربط الهويات التي تبدو غير مرتبطة ببعضها البعض من خلال السمات المشتركة، وكشف الحالات الشاذة الطفيفة في بيانات الطلبات، وتحديد السلوك المنسق عبر الحسابات. ويُعد الذكاء الاصطناعي فعالاً بشكل خاص في اكتشاف الهويات المزيفة في مراحلها المبكرة قبل أن تتطور إلى عمليات احتيال ذات قيمة عالية. ومع ذلك، تعتمد فعالية هذه النماذج بشكل كبير على جودة بيانات التدريب والقدرة على إعادة تدريب النماذج باستمرار مع تطور أساليب الاحتيال.

أهم الإشارات هي تلك التي تُظهر العلاقات والتناقضات. وتشمل هذه الإشارات التحقق من صحة رقم الضمان الاجتماعي (SSN) وبيانات الإصدار، وسجل البريد الإلكتروني والمكالمات الهاتفية، والمعلومات الاستخباراتية المتعلقة بالأجهزة وعناوين IP، وسرعة تقديم الطلبات، والبيانات البيومترية السلوكية. يعد المقارنة المرجعية لعناصر الهوية مع مصادر البيانات الموثوقة أمرًا بالغ الأهمية، ولكن لا يقل عن ذلك أهمية تحليل مدى تكرار ظهور تلك العناصر والتركيبات التي تظهر بها. غالبًا ما تعيد الهويات المركبة استخدام أجزاء من البيانات الحقيقية بطرق غير معتادة، وتلك الأنماط هي التي تتيح إمكانية الكشف عنها.

يُعد هذا أحد أكبر التحديات. فقد يؤدي الكشف المكثف إلى زيادة حالات الإيجابية الكاذبة، لا سيما بالنسبة للمستخدمين ذوي السجلات الائتمانية المحدودة أو غير المرئيين ائتمانياً، والذين قد تشبه ملفاتهم الشخصية الملفات الاصطناعية. ويكمن الحل في اعتماد عملية اتخاذ القرار القائمة على المخاطر، حيث لا تستدعي سوى الطلبات عالية المخاطر اتخاذ خطوات تحقق إضافية. كما أن استخدام طبقات من المؤشرات — بدلاً من الاعتماد على مؤشر واحد — يساعد في تقليل العقبات غير الضرورية. تعد مراقبة معدلات الموافقة، وحجم المراجعات اليدوية، وحالات الاحتيال اللاحقة أمراً ضرورياً لتحقيق هذا التوازن بمرور الوقت.

يجب أن يعمل نظام الكشف عن الهويات المزيفة جنبًا إلى جنب مع أنظمة «اعرف عميلك» (KYC) وأنظمة مكافحة الاحتيال، لا أن يحل محلها. ويجب أن يزود محرك اتخاذ القرار الخاص بكم بإشارات المخاطر في الوقت الفعلي، مما يؤثر على عمليات الموافقة أو الرفض أو إجراءات التحقق المعززة. ويجب أن يتيح التكامل التنسيق بين التحقق من الهوية وذكاء الأجهزة وتحليلات السلوك. والهدف هو إنشاء ملف مخاطر موحد بدلاً من إجراء عمليات فحص منفصلة، حتى تتمكن أنظمتك من اتخاذ قرارات أكثر استنارة عند تسجيل العملاء الجدد وطوال دورة حياة العميل.

يجب أن تتوقع زيادة مبدئية في عدد التنبيهات والمراجعات اليدوية المحتملة مع بدء النظام في تحديد المخاطر التي لم تكن تُكتشف سابقًا. قد تنخفض خسائر الاحتيال، لكن يجب أن تكون الفرق التشغيلية مستعدة للتعامل مع تحقيقات أكثر تعقيدًا. وبمرور الوقت، ومع ضبط النماذج وتحسين سير العمل، من المتوقع أن ينخفض حجم الإشارات الإيجابية الخاطئة. ومن المهم التنسيق بين فرق مكافحة الاحتيال والامتثال والعمليات في مرحلة مبكرة لتحديد العتبات ومسارات التصعيد ومقاييس النجاح، حتى يقدم النظام قيمة قابلة للقياس دون إرهاق الموارد.