معماری تشخیص تقلب بر بستر کلان‌ داده و یادگیری ماشین

زیرسیستم مبتنی بر قواعد در کشف تقلب‌های آسان و غیرپیچیده کاربرد داشته و از سرعت بالا و پیچیدگی بسیار کمی برخوردار است.

 در یکی از کارگاه‌های جانبی همایش با عنوان «معماری تشخیص تقلب بر بستر کلان‌داده و یادگیری ماشین» که توسط دکتر جلال‌الدین نصیری (مشاور شرکت خدمات انفورماتیک) و الهام رضایی برگزار گردید، موضوع تقلب در بانکداری الکترونیک، روش‌های کشف، مدیریت و پیشگیری از آن به بحث گذاشته شد.

در ابتدای این کارگاه رضایی به معرفی اقلام اطلاعاتی مورد استفاده در سیستم‌های امروزی کشف تقلب در تراکنش‌های بانکی پرداخت و افزود: «اطلاعات تراکنش‌ها، اطلاعات زمانی، کانال‌های انجام تراکنش (مانند POS، ATM، اینترنت بانک و ...)، اطلاعات جغرافیایی و اطلاعات تکمیلی پنج دسته اصلی از ابزارهای کشف و شناسایی تقلب هستند».

در ادامه او اینطور ادامه داد که پس از شناسایی انواع تقلب از طریق روش‌های فوق، برای تصمیم‌گیری در برابر این رخداد می‌توان از سه رویکرد شامل «جلوگیری از انجام تراکنش»، «نظارت و کنترل» و «به تأخیر انداختن تراکنش (از طریق انجام پس از کسب مجوز مشتری)» استفاده کرد که این رویکردها از طریق روش‌هایی همچون مسدود کردن حساب، اعلام به بانک، ضبط کارت، برگشت تراکنش به شعبه فرستنده، غیرفعال‌کردن کارت و اطلاع به صاحب حساب امکان‌پذیر است.

در ادامه این کارگاه دکتر نصیری به بیان مکانیزم‌های چهارگانه تشخیص تقلب در بانکداری الکترونیک پرداخت و گفت: «این مکانیزم‌ها عبارتند از: زیرسیستم‌های مبتنی بر قواعد، پروفایل، یادگیری ماشین و تحلیل شبکه اجتماعی».

مشاور شرکت خدمات انفورماتیک در تبیین هریک از زیرسیستم‌های مذکور افزود: «زیرسیستم مبتنی بر قواعد بیشتر در کشف تقلب‌های آسان و غیرپیچیده کاربرد داشته و از سرعت بالا و پیچیدگی بسیار کمی برخوردار است. این زیرسیستم در برابر تقلب‌های جدید از کارآمدی پایینی برخوردار است. این در حالی است که زیرسیستم مبتنی بر پروفایل که مبتنی بر رفتارسنجی مشتریان در طی زمان بوده و به مغایرت‌های ناگهانی با سابقه رفتار آنها حساسیت نشان می‌دهد، در برابر روش‌های جدید تقلب کارآمد است. در مقابل این زیرسیستم از نقاط ضعفی همچون عدم پشتیبانی از مفهوم تغییر رفتار، نیاز به تنظیم سطح حساسیت و عدم توانایی کشف تقلب‌های پیچیده برخوردار است.

او در ادامه زیرسیستم مبتنی بر ماشین را در توانایی کشف تقلب‌های پیچیده و نوظهور بسیار کارآمد دانست و خاطر نشان کرد: «پیچیدگی بالا از نقاط ضعف اساسی این زیرسیستم است». همچنین از دید دکتر نصیری زیرسیستم مبتنی بر تحلیل شبکه اجتماعی که از گروه‌ها (افراد و سازمان‌ها) تشکیل شده و توسط تبادلات مالی به هم متصل است، در کشف تقلب‌هایی نظیر پول‌شویی، هک حساب‌های بانکی از مزیت برخوردار است.

دکتر نصیری در جمع‌بندی سخنان خود، حجم بالای تراکنش‌ها، زمان‌بر بودن روش‌های یادگیری ماشین، عدم توانایی آنالیز شبکه‌های اجتماعی در پایگاه داده رابطه‌ای و عدم توانایی پردازش جریان داده در لحظه را از مهمترین مشکلات سیستم‌های تشخیص تقلب دانست و بهترین راه حل را توسعه روش‌های مبتنی بر استفاده از کلان داده‌ها (Big Data) عنوان کرد.