دلایل استفاده از هوش مصنوعی در مدیریت و تشخیص کلاهبرداری

فن‌آوری هوش مصنوعی در بسیاری از فرایندهای امنیت سایبری به کار می‌رود. این فن‌آوری به فرایندهای مدیریت و تشخیص کلاهبرداری Fraud management and detection نیز راه یافته است. اما این فن‌آوری در کنار مزایای بسیار خود، چالش‌هایی (سوگیری) نیز دارد.

فن‌آوری هوش مصنوعی ارزش و توانمندی خود را در بسیاری از فرایندهای امنیت سایبری به اثبات رسانده است. برای مثال، این فن‌آوری به تشخیص بدافزار و تشخیص ناهنجاری در ترافیک شبکه کمک می‌کند. علاوه بر این، هوش مصنوعی به تحلیل‌گران کمک می‌کند هشدارهای امنیتی را در اولویت خود قرار دهند. تمامی مواردی که به آن‌ها اشاره شد، علاوه بر کاهش هزینه‌ها، کاهش خطای انسانی را نیز به همراه دارد.

به گفته منگ لیو، یکی از تحلیل‌گران شرکت Forrester Research، «شرکت‌ها، صنایع و کشورهای بسیاری به استفاده از فن‌آوری هوش مصنوعی روی آورده‌اند. مدل‌های مبتنی بر هوش مصنوعی به شما در ایجاد مزیت رقابتی کمک می‌کنند.»

هم‌اکنون، فن‌آوری هوش مصنوعی مصمم شده است تا فرایندهای مدیریت و تشخیص کلاهبرداری را ارتقاء دهد، حوزه‌ای که به دنبال افزایش تعداد معاملات آنلاین و موبایلی به مشکل خورده است.

در عصر حاضر، سازمان‌ها نیاز به اجرای فرایندهایی دارند که در کمترین زمان ممکن و به درستی عملیات‌های کلاهبرداری را تشخیص دهند. لیو، اندراس سر و دنی مو (نویسندگان همکار) در گزارش خود تحت عنوان «هوش مصنوعی در حال متحول کردن فرایند مدیریت کلاهبرداری است» می‌گویند راه‌حل چنین سازمان‌هایی هوش مصنوعی است. این تحلیل‌گران در گزارش خود فن‌آوری‌های هوش مصنوعی و موارد کاربرد هر یک از آن‌ها را در فرایند مدیریت کلاهبرداری مشخص می‌کنند و مورد‌پژوهی‌های مرتبط را پیشنهاد می‌دهند.

به گفته این تحلیل‌گران هوش مصنوعی می‌تواند مزایای بسیاری داشته باشد، اما سازمان‌هایی که از فن‌آوری هوش مصنوعی در فرایند تشخیص کلاهبرداری استفاده می‌کنند باید بدانند که این فن‌آوری خالی از چالش نیست.

موارد کاربرد هوش مصنوعی در مدیریت کلاهبرداری

این تحلیل‌گران در گزارش خود به مطالعه و بررسی تعدادی از موارد کاربرد هوش مصنوعی در حوزه مدیریت و تشخیص کلاهبرداری پرداخته‌اند. برای مثال، اینکه فن‌آوری هوش مصنوعی می‌تواند دقت را در فرایند کنترل معاملات افزایش دهد. این تحلیلگران در گزارش خبر از همکاری FIS (شرکت ارائه‌دهنده خدمات مالی) و Bringterion (شرکتی فعال در حوزه هوش مصنوعی که در مالکیت MasterCard قرار دهد) داده‌اند. هدف از این همکاری ارتقای قابلیت‌های مبارزه با پولشویی FIS اعلام شده است.

هوش مصنوعی می‌تواند با ساده‌سازی و اولویت‌بندی هشدارها کارایی فرایندهای تحقیق و بررسی کلاهبرداری را افزایش دهد. علاوه بر این، پیش از انجام معاملات می‌توان از فن‌آوری هوش مصنوعی در تشخیص هویت بیومتریک کاربران استفاده کرد و تعداد معاملات نامعتبر را کاهش داد.

به اعتقاد این تحلیل‌گران، بسته به کاربردی که هوش مصنوعی می‌تواند در فرایند مدیریت کلاهبرداری داشته باشد، به قابلیت‌های متفاوتی نیاز است و سازمان‌ها در زمان پیاده‌سازی هوش مصنوعی به منظور مدیریت و تشخیص کلاهبرداری نباید از این موضوع غافل شد. برای مثال، کنترل معاملات تجارت الکترونیک در مقایسه با گزارش معاملات به زمان پاسخگویی و دقت بیشتری نیاز دارند. دیگر قابلیت‌هایی که سازمان‌ها باید به آن‌ توجه داشته باشد، شامل دسترسی و دقت داده‌های آموزشی و اتخاذ فرایندهایی است که این اطمینان را به ما می‌دهند عملکرد مدل‌های هوش مصنوعی با گذشت زمان ارتقاء پیدا می‌کنند.

مزایای استفاده از هوش مصنوعی در فرایند مدیریت کلاهبرداری

پیاده‌سازی هوش مصنوعی در فرایند مدیریت کلاهبرداری دو مزیت عمده به همراه دارد. اول، کلاهبرداری در مدت زمان کمتری تشخیص داده می‌شود. دوم، با گذشت زمان دقت مدل‌های هوش مصنوعی افزایش پیدا می‌کند.

به گفته لیو طی دو دهه گذشته، تعداد معاملات برخط و معاملاتی که از طریق تلفن‌های همراه انجام می‌شود به طور پیوسته افزایش داشته است و از زمان شروع همه‌گیری ویروس کرونا تعداد آن‌ها به طرز چشمگیری افزایش یافته است. به گفته لیو « اینگونه معاملات به صورت آنی انجام می‌شوند و این بدین معناست که عملیات‌های کلاهبرداری نیز با همین سرعت انجام می‌شوند.»

در گذشته، تحلیل‌گران پس از پردازش معاملات متوجه خریدهای تقبلی می‌شدند. فن‌آوری هوش مصنوعی می‌تواند با تشخیص و جلوگیری از انجام فعالیت‌های کلاهبرداری و مسدود کردن کاربران و معاملات نامعتبر این فرایند را ارتقاء دهد.  برای مثال، اگر یکی از جنایتکاران سایبری تلاش کند با سرقت اطلاعات کارت بانکی فردی  خریدی انجام دهد، هوش مصنوعی آن را  تشخیص داده و مانع پردازش آن می‌شود. علاوه بر این، تشخیص کلاهبرداری مبتنی بر هوش مصنوعی با کاهش مبالغی که صرف بازپرداخت وجوه دزدیده شده می‌شود، هزینه‌های سازمان‌ها را کاهش می‌دهد.

مدل‌های هوش مصنوعیسرعت تشخیص فرایندها و معاملات نامعتبر را افزایش می‌دهند. علاوه بر آن دقت این مدل‌ها با گذشت زمان افزایش می‌یابد. مدل‌های هوش مصنوعی برخلاف مدل‌های قاعده‌محور که ممکن است در صنعتی تعداد زیادی هشدار کاذب ایجاد کند، در طول زمان اعتماد افراد بیشتری را به خود جلب می‌کنند.

به گفته لیو، «هر چه تعداد داده‌هایی که به مدل تغذیه می‌شود بیشتر باشد، مدل هوشمندتر می‌شود.»

داده ها با تشخیص الگوها و تحلیل روابط میان دیتاست‌ها کارایی هوش مصنوعی را ارتقاء می‌دهند. افزایش دقت هوش مصنوعی به سازمان‌ها کمک می‌کند در مدت زمان کمتری به هشدارهایی که حاکی از عملیات‌های کلاهبرداری هستند، پاسخ دهند.

چالش‌های فراوان هوش مصنوعی، اصولی که باید مد نظر داشته باشد

گرچه هوش مصنوعی فن‌آوری‌ای تحول‌آفرین است، اما کماکان مستعد سوگیری، یکی از بزرگ‌ترین چالش‌های شناخته شده در این حوزه از فن‌آوری است. داده‌های نامتوازن و مهندسان ذهنی‌گرا (subjective) می‌توانند توانایی مدل‌های هوش مصنوعی در تشخیص کلاهبرداری را تضعیف کنند.

به گفته لیو برای جلوگیری از این اتفاق، سازمان‌ها در هنگام پیاده‌سازی هوش مصنوعی در فرایندهای مدیریت و تشخیص کلاهبرداری باید به سه اصل توجه داشته باشند:

• مدل‌های عینی. مدل‌های هوش مصنوعی باید عینی و بی‌طرف باشند. مدل‌های بایاس دقت پایینی دارند و همین امر موجب می‌شود کل مدل بالااستفاده بماند. پیشنهاد لیو ایجاد یک مدل دوگانه (hybrid) است. به گفته وی، «بهتر است سازمان‌ها برای ایجاد قابلیت‌های مدیریت کلاهبرداری و مبتنی بر هوش مصنوعی خود علاوه بر یک تیم داخلی متعهد، از یک شرکت‌ ارائه‌دهنده (خارج از سازمان خود) نیز کمک بگیرند.» اعضای سازمان از نیازهای شرکت (برای مثال، صنعت و قوانین) شناخت کافی دارند و در مقابل، شرکت‌های ارائه‌دهنده‌ی خارجی می‌توانند مدلی سفارشی‌سازی شده که به درستی آزمایش شده است را در اختیار آنان بگذارند.
• منابع دست سوم. هرچه حجم داده‌ها بیشتر باش د، با گذشت زمان مدل‌های قوی‌تر و با سوگیری کمتر خواهیم داشت. پشنهاد لیو این است که در برای آموزش هوش مصنوعی از داده‌های متن باز استفاده کنیم. برای مثال، استفاده از داده‌های مؤسسات اعتباری به ارتقای عملکرد مدل‌هایی که در صنعت مالی به کار می‌روند، کمک می‌کند. برای شرکت‌هایی که نگران امنیت و حریم خصوصی کاربران هستند یادگیری یکپارچه گزینه مناسبی است. طبق این گزارش، در یادگیری یکپارچه چندین سازمان می‌توانند بدون تبادل داده‌های واقعی نتایج پردازش اولیه داده‌ها را با یکدیگر به اشتراک بگذارند.
• ارتقای –  نه جایگزینی- تحلیل‌گران. هرچند مدل‌های هوش مصنوعی که به اندازه کافی آموزش دیده‌اند در جلوگیری از فعالیت‌های کلاهبرداری و نامعتبر مؤثر هستند، اما تحلیل‌گران کماکان باید هشدارها را بررسی کرده و برای اینکه مشخص کنند چرا محتوایی خاص نشان‌گذاری (flag) شده ، فرایند تحلیل را انجام دهند. تحلیل‌گران با بررسی هشدارها می‌توانند نسبت به نحوه یادگیری و کارکرد مدل‌های هوش مصنوعی شناخت پیدا کنند.

هوش مصنوعی در مدیریت کلاهبرداری

به گفته لیو، در آینده، هوش مصنوعی نقش بسزایی در فرایند مدیریت و تشخیص کلاهبرداری خواهد داشت. اما، نرخ پیاده‌سازی هوش مصنوعی در شرکت‌ها، صنایع و کشورها متفاوت خواهد بود.

به گفته‌ی وی، «فن‌آوری، خرده‌فروشی، تجارت الکترونیک، حوزه‌های مالی در اتخاذ مدل‌های مبتنی بر هوش مصنوعی در فرایند مدیریت و تشخیص کلاهبرداری پیشگام خواهند بود.» وی در ادامه گفت، صنایع متکی به فن‌آوری‌های دیجیتالی نسبت به صنایع دیگر بیشتر از هوش مصنوعی در فرایند مدیریت کلاهبرداری استفاده می‌کنند و به همین دلیل سریع‌تر می‌توانند مدل توسعه دهند. در صنایع سنتی ،همچون صنایع تولیدی، هوش مصنوعی به دلیل کمبود داده‌های دیجیتالی و تداول معاملات آفلاین با سرعت کمتری توسعه پیدا می‌کند.

توسعه هوش مصنوعی برای مدیریت و تشخیص کلاهبرداری بر حسب منطقه نیز متفاوت خواهد بود. به گفته لیو، بازارهای نوظهور، به ویژه جنوب شرق آسیا و آفریقا، نسبت به کشورهای توسعه‌یافته برای مدت زمان بیشتری از خدمات تحلیل‌گران (انسان) متکی خواهند بود. وی در ادامه افزود، در کوتاه مدت، هزینه به‌کارگیری تحلیل‌گران در مناطقی که با سرعت کمتری هوش مصنوعی را پیاده‌سازی می‌کنند، کمتر می‌شود.

لیو کسانی را که به هوش مصنوعی اعتماد ندارد تشویق می‌کند برای یک بار هم که شده از این فن‌آوری استفاده کنند. به گفته وی «پیاده‌سازی مدل‌های هوش مصنوعی می‌تواند مزایایی بسیاری برای شما (نسبت به رقبا) به همراه داشته باشد، پس شک و دودلی به خود راه ندهید.»

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید