نموذج التنبؤ القائم على تعلم الآلة للكشف عن الاحتيال في الخدمات المصرفية الرقمية

تتميز الصناعة المصرفية بأنها رائدة، حيث جمعت كميات ضخمة من البيانات المنظمة على مر تاريخها وكانت من بين أوائل المتبنين لتقنيات علم البيانات. يشهد العالم نمواً سريعاً في القطاع المصرفي وبهذا يتغير أسلوب معاملات الدفع نحو استخدام المعاملات غير النقدية بدلاً من استخدام الأموال النقدية. توفر المصارف الرقمية للعملاء جودة خدمة أفضل في مجالات مثل بطاقات الدفع المسبق، بطاقات الائتمان، الدفع غير النقدي، تحويل المال، وغيرها. ومع ذلك، تلقت أمان المصارف الرقمية اهتماماً بسبب سلوك المحتالين، حيث أن غياب الأمان الكافي في المصارف الرقمية قد أبقى العديد من العملاء بعيداً عن الخدمة حتى اليوم. على الرغم من أن الاحتيال ليس قضية جديدة، إلا أن الأنشطة المتعلقة بالاحتيال تكلف الاقتصاد العالمي مليارات الدولارات كل عام. تنطوي الأنشطة الاحتيالية بشكل شامل على مخاطر مالية كبيرة قد تهدد الربحية، وصورة ككل قطاع اقتصادي. تهدف هذه الدراسة إلى استخدام نمذجة تنبؤية قائمة على تعلم الآلة لتحسين الكشف عن الاحتيال والوقاية منه داخل كيان اقتصادي عام أو خاص. في هذه الورقة، يتركز هذا المشكلة على اقتراح طريقة جديدة مستقلة وفعالة للكشف عن معاملات الاحتيال. أولاً، يتم استخدام نموذج ماركوف الخفي (HMM) لمراقبة الحالات الخفية للمعاملات المالية، والتي تعتمد على فكرة النماذج الاحتمالية المصممة للتسلسلات من الملاحظات حيث يُفترض أن تكون العملية الأساسية عبارة عن عملية ماركوف مع حالات خفية. ثم يتم تطبيق نموذج تعلم الآلة المسمى مصنف تعزيز التدرج (GBC) لتصنيف الاحتيال. أخيراً، تدمج طريقتنا الهجينة GBC وHMM. تم إجراء تجارب لضمان فعالية HMM وGBC.