اكتشاف الاحتيال بالذكاء الاصطناعي ومستقبل أمان المدفوعات

يمكن أن يبدو نظام أمان المدفوعات شبه مثالي بينما يفشل في أهم مهمة له. إذا كان الاحتيال يمثل نسبة ضئيلة فقط من المعاملات، فإن الخوارزمية التي توافق على كل شيء ستكون صحيحة معظم الوقت. قد يواجه العملاء عددًا أقل من الانقطاعات، لكن المجرمين لن يواجهوا أي مقاومة.

هذا التوتر يقع في صميم مراجعة منهجية جديدة قام بها هيرلينا مانورونغ وديه ريزكي أرينينغساه، نُشرت في مجلة العلوم الاجتماعية والإنسانيات المفتوحة.¹ من خلال تجميع 38 دراسةً في مجالات التقارير المالية، والمدفوعات، واكتشاف الاحتيال القائم على الشبكات، يجادل الباحثون بأن الحماية الموثوقة تتطلب أكثر من مجرد درجات معيارية مثيرة للإعجاب.

بالنسبة للبنوك وشبكات المدفوعات والمستثمرين، فإن التداعيات عملية. يمكن لاكتشاف الاحتيال الأفضل أن يحمي الإيرادات ويقلل من تكاليف التشغيل. ومع ذلك، تعتمد هذه الفوائد على أنظمة تميز بين السلوك المشبوه والنشاط المشروع، وتظل مفيدة مع تكيف المجرمين، وتوفر أدلة يمكن للمحققين اتخاذ إجراءات بناءً عليها.

لماذا يمكن للدقة العالية أن تُخفي ضعف اكتشاف الاحتيال

تخيل منصة مدفوعات افتراضية تعالج 100,000 معاملة، منها 100 عملية احتيال. نموذج يضع علامة على كل معاملة بأنها مشروعة يحقق دقة بنسبة 99.9٪ دون اكتشاف أي احتيال على الإطلاق.

الآن تخيل نظامًا يكتشف 80 معاملة احتيالية لكنه يُعلِّم بشكل خاطئ 1٪ من الـ 99,900 معاملة مشروعة. ينتج هذا النظام 1,079 تنبيهًا، بما في ذلك 999 إنذارًا كاذبًا. فقط حوالي 7.4٪ من تنبيهاته تحدد احتيالًا فعليًا. هذه الأرقام توضح المشكلة؛ فهي ليست نتائج من المراجعة.

قد يمنع مثل هذا النظام خسائر كبيرة، اعتمادًا على قيم المعاملات وكيفية معالجة التنبيهات. ومع ذلك، لا يمكن الحكم على فائدته من خلال الدقة فقط. يجب على المحققين معالجة التنبيهات، وقد يواجه العملاء تحديات غير ضرورية، ويمكن للتجار أن يخسروا مبيعات مشروعة.

لذلك تؤكد المراجعة على الدقة (precision) والاستدعاء (recall) والتقييم الحساس للتكلفة. تقيس الدقة عدد الحالات التي تم الإشارة إليها والتي تتضمن فعليًا احتيالًا. يقيس الاستدعاء مقدار الاحتيال الذي يكتشفه النظام. لا يحل أي من هذين المقياسين محل الحاجة إلى فهم العواقب المالية للأخطاء.

الهدف التجاري هو تقليل الضرر الكلي: خسائر الاحتيال، ونفقات التحقيق، ومشقة العملاء، والإيرادات المفقودة نتيجة الرفض الخاطئ.

ما وجدته مراجعة اكتشاف الاحتيال

يقوم المؤلفون بتنظيم نتائجهم حول أربعة أبعاد: التعامل مع الأحداث النادرة وتكاليف الأخطاء غير المتساوية، الحفاظ على تقييم موثوق، مقاومة الظروف المتغيرة والتلاعب المتعمد، واستخدام العلاقات والأدلة القابلة للتفسير.

يكشف تحليلهم الوصفي عن فجوة بين النمذجة المتقدمة واختبار الصمود الموثق.

هذه الفئات تتداخل. تمثل الأعداد الحد الأدنى للترددات المدعومة من ملخصات المؤلفين، لذا لا ينبغي اعتبار طريقة غير مذكورة غائبة تلقائيًا.

تحتوي المراجعة أيضًا على قيود. تستند أدلتها أساسًا إلى أبحاث مُفهرسة في Scopus ومكتوبة باللغة الإنجليزية، وتقيّد سجلات الفحص التاريخية غير المكتملة مسار التدقيق. أدت الاختلافات بين مجموعات البيانات وتعريفات الاحتيال وأساليب التقييم إلى عدم إمكانية التجميع الكمي. إنها تقدم إطارًا تصميميًا مفيدًا، بدلاً من إثبات أن خوارزمية واحدة تتفوق باستمرار على جميع البدائل.

لماذا يجب اختبار نماذج الاحتيال ضد المستقبل

نموذج تم تدريبه على معاملات الأمس يواجه نوعين من التغيير. يتغير السلوك المشروع عندما يسافر العملاء، ويطلق التجار عروضًا ترويجية، وتتحول عادات الدفع. كما يغيّر المجرمون استراتيجياتهم لتفادي الاكتشاف. تفرق المراجعة بين تغييرات التوزيع والسلوك العدائي المتعمد، وتوضح لماذا كلاهما مهم.

يمكن أن يخفى الاختبار هذه التحديات عن غير قصد. قد يؤدي تقسيم عشوائي للمعاملات التاريخية إلى وضع سجلات ذات صلة وثيقة في كل من مجموعتي التدريب والتقييم. يستفيد النموذج حينئذٍ من العملاء أو الأنماط المألوفة التي قد لا تكون متاحة عند مواجهة نشاط جديد فعليًا.

يوفر الاختبار على فترات لاحقة، أو فصل الكيانات بين التدريب والتقييم، تقييمًا أكثر صعوبة. وحتى في هذه الحالة، يجب مراقبة الأداء بعد النشر.

هذا يشير إلى طريقة مختلفة لتقييم تقنيات الاحتيال: اسأل عن مدى سرعة ظهور التدهور ومدى أمان قدرة النظام على التعافي. فإنّ الدرجة الأولية القوية لها قيمة محدودة إذا ظلّ هجوم جديد غير مكتشف لأسابيع.

تشمل الأسئلة التشغيلية المفيدة:

• ما مقدار الاحتيال الذي يُكتشف عند حجم تنبيهات يمكن إدارته؟
• كم مرة تُقاطع المعاملات الشرعية؟
• ماذا يحدث عندما يتغيّر السلوك أو يتكيّف المهاجمون؟
• هل يستطيع المحققون فهم الأدلة والتحقق منها؟

الذكاء الاصطناعي البياني يمكنه كشف شبكات الاحتيال

نادراً ما تحكي المعاملات الفردية القصة كاملة. قد تصبح عدة دفعات تبدو عادية مريبة عندما تشترك في جهاز، أو تتصل بنفس حساب الوجهة، أو تشكّل تسلسلًا غير عادي عبر التجار.

التعلم القائم على الرسوم البيانية يمثل الكيانات كعُقد مترابطة، مما يسمح للنماذج بفحص العلاقات إلى جانب سمات المعاملات. يمكن أن يساعد ذلك في تحديد السلوك المنسق الذي يتغاضى عنه تقييم المعاملات المنفردة.

الأهمية الأوسع للتحليل العلاقي تمتد إلى crypto wash trading and market manipulation، حيث قد تُخفي الأنشطة التي تبدو مستقلة تنسيقًا مشتركًا. تختلف مهام الاكتشاف، لكن كلاهما يوضح لماذا قد تكون الأنشطة المجمعة مضللة دون السياق.

تُدخل الرسوم البيانية نقاط ضعف خاصة بها. قد يخلق المجرمون اتصالات تبدو شرعية لإخفاء حسابات مشبوهة، بينما يمكن للعلاقات القديمة أو غير المكتملة أن تشوّه تقييمات المخاطر. لذلك، يعتبر الاستعراض المعلومات الهيكلية شيئًا يجب التحقق منه وحمايته، وليس ضمانًا تلقائيًا لنتائج أفضل.

التفسيرات مهمة هنا أيضًا. إظهار المحقق للحسابات أو مسارات المعاملات خلف تنبيه يمكن أن يجعل الأدلة أسهل للفحص. وهذا لا يثبت بحد ذاته حدوث الاحتيال.

تحسين كشف الاحتيال يمكن أن يحمي إيرادات المدفوعات

الفرصة الاقتصادية تتجاوز مجرد إيقاف السرقة. قد يُرسل رفض معاملة شرعية عن طريق الخطأ العميل إلى بطاقة أو تاجر آخر. كما أن التنبيهات المفرطة تستهلك وقت الموظفين الذي يمكن أن يُستغل في التحقيق في تهديدات أكثر خطورة.

كما توضح توضيحات Securities.io حول card networks, issuers, acquirers, and processors، فإن المدفوعات تشمل عدة أعمال بأدوار مختلفة. لذلك، يمكن أن تُحدث التحسينات في قرارات التفويض فوائد عبر سلسلة المعاملة، رغم أن هذه الفوائد لن تُوزع بالتساوي على جميع المشاركين.

تسليط الضوء في عام 2026 من Mastercard على AI payment fraud prevention يبرز تقليل المراجعات اليدوية وتقليل الإيجابيات الكاذبة كأهداف تجارية. يقدم حسابه سياقًا تجاريًا، وليس تحققًا مستقلاً من الاستعراض الأكاديمي.

إحدى الدلالات المفيدة هي أن الكشف والتدخل يجب تقييمهما معًا. قد يُطلق مقياس المخاطر حجزًا مؤقتًا، أو توثيقًا إضافيًا، أو مراجعة يدوية، أو رفضًا. اختيار الاستجابة المناسبة يمكن أن يكون مهمًا بقدر إنتاج المقياس نفسه.

ماستركارد تقدم تعرضًا لأمان المدفوعات المدعوم بالذكاء الاصطناعي

هذه الحوافز تجعل ماستركارد شركة ذات صلة للمستثمرين المهتمين بالبنية التحتية المالية المدعومة بالذكاء الاصطناعي.

يُدمج Decision Intelligence Pro تقنيات الرسم البياني ونماذج الذكاء الاصطناعي التوليدي لتقييم مخاطر المعاملات باستخدام السياق السلوكي والعلاقي. تُبرز ماستركارد الخدمة حول تحسين كشف الاحتيال مع تقليل الرفض الخاطئ.

الاتصال بالاستعراض هو مفهوم. لا تختبر الورقة منتج ماستركارد ولا تتحقق من ادعاءاته التجارية. ومع ذلك، يُظهر نهج الشركة كيف يمكن أن تصبح معلومات الشبكة والتحليل السياقي خدمات تُباع للمؤسسات المالية.

بالنسبة للمستثمرين، تكمن الميزة المحتملة في الجمع بين ذكاء المعاملات، والعلاقات العملاء القائمة، والدمج في سير عمل التفويض. ما إذا كان ذلك سيصبح حصنًا تنافسيًا دائمًا يعتمد على التنفيذ، وحوكمة البيانات، والخدمات المنافسة، ونتائج العملاء القابلة للقياس.

توفر ماستركارد أيضًا تعرضًا أوسع للمدفوعات، وليس مجرد استثمار نقي في كشف الاحتيال. لا يزال تقييمها والقيمة الإجمالية لأداء الأعمال مهمين عند تقييم الفرصة.

آخر أخبار وتطورات ماستركارد (MA)

كشف الاحتيال بالذكاء الاصطناعي الموثوق يتطلب نتائج قابلة للقياس

يدعم الاستعراض التفاؤل بشأن تحسين الأمن المالي، مع توضيح ما يجب أن يعنيه التقدم. يتطلب النجاح اكتشاف المزيد من الأنشطة الضارة دون إحداث اضطراب غير متناسب، والحفاظ على الأداء مع تغير الظروف، وتزويد المحققين بأدلة مفيدة.

قد يأتي الميزة التنافسية التالية من ربط تلك القدرات بعمليات موثوقة. بالنسبة لشركات المدفوعات، المعيار المهم هو مقدار القيمة التي تظل محمية بعد احتساب خسائر الاحتيال، وتكاليف التشغيل، وإحباط العملاء.

المراجع:

¹ مانورونغ، هـ., وآرينينغسِه، د. ر. (2026). التعلم الآلي القوي لاكتشاف الاحتيال في ظل عدم التوازن والندرة والسلوك العدائي: أدلة عبر تقارير المالية، والمدفوعات، وأنظمة الرسوم البيانية. Social Sciences & Humanities Open, 14, 103697. https://doi.org/10.1016/j.ssaho.2026.103697