بررسی سامانه های هوشمند کشف تقلب های بانکی

تقلب های بانکی، شرکتی و بیمه ای متداول ترین تقلب های مالی هستند؛ چراکه بانک ها و سایر شرکت هایی که تعداد قابل توجهی تراکنش های مالی دریافت می کنند، در معرض ریسک تقلب مالی قرار دارند. علاوه بر بانک ها و موسسات مالی، شرکت های تجارت الکترونیک، شرکت های کارت اعتباری، پلتفرم های پرداخت الکترونیکی و شرکت های فینتک، همگی در معرض تقلب مالی هستند. طبق گزارش امور پولی و ارزی بانک تسویه جهانی در فوریه ۲۰۰۱ منتشر کرد، سوءاستفاده مالی نه تنها شامل فعالیت های غیرقانونی است که به نظام های مالی آسیب می رساند، بلکه سایر فعالیت هایی که از چهارچوب های مالیاتی و نظارتی سوءاستفاده می کنند را نیز دربر می گیرد.

ضرورت و اهداف پژوهش

کشف تقلب به مجموعه فعالیت هایی اطلاق می شود که هدف آن کشف و جلوگیری از به دست آوردن پول یا اموال از طریق روش های غیرقانونی و نامشروع است. این فعالیت از طریق تحلیل آنی اطلاعات مشتریان، شرکت، دارایی ها، حساب ها و تراکنش ها انجام می شود. برای پیشگیری از تقلب و کشف آن، دو جنبه متفاوت در نظام مالی وجود دارد: «پیشگیری» و «شناسایی». با توجه به اهمیت این موضوع، صنعت بانکداری دنیا نیز روی متخصصان این حوزه سرمایه گذاری کرده است. در سطح مدیریتی، درک مشترک از تقلب و روش های مقابله با آن بسیار مهم است. اشتراک گذاری خروجی سیستم های کشف تقلب بین بانک ها و شرکت های پرداخت، به مدیریت کشف تقلب در سطح کلان کمک می کند. در ایران، هنوز قوانین فراگیری برای کشف تقلب ارائه نشده است و در بخشنامه ها دسته بندی مشخصی از انواع تقلب وجود ندارد. برای مدیریت کشف تقلب، همکاری نهادهای مختلف ضروری است و یک سیستم قوی مدیریت و نظارت باید وجود داشته باشد. لذا این گزارش، انواع روش های کشف تقلب و نرم افزارهای موجود داخلی و خارجی را بررسی و راهکارهای سیاستی را ارائه می کند.

روش های کشف تقلب

تشخیص تقلب را می توان با استفاده از تکنیک های تجزیه و تحلیل داده های آماری یا هوش مصنوعی (AI) از هم تفکیک کرد. به طورکلی تکنیک های هوش مصنوعی مورد استفاده برای تشخیص تقلب عبارت اند از:

• داده کاوی: این کار داده ها را طبقه بندی، گروه بندی و بخش بندی می کند تا در میان میلیون ها تراکنش جست و جو کند، الگوها را پیدا و تقلب را کشف کند؛
• شبکه های عصبی: الگوهای مشکوک را یاد گرفته و از آن الگوها برای شناسایی بیشتر استفاده می کند؛
• یادگیری ماشین: به طور خودکار، ویژگی های موجود در تقلب را شناسایی می کند؛
• تشخیص الگو: کلاس ها، خوشه ها و الگوهای رفتار مشکوک را تشخیص می دهد.

تشخیص تقلب مبتنی بر قواعد؛ نقاط ضعف و قوت آن

سیستم های نظارت بر تراکنش های مبتنی بر قوانین، برای کشف تقلب با استفاده از تراکنش های گذشته، مکان های تراکنش، نوع تراکنش و میانگین روزانه مبلغ یا اطلاعات فراوانی تراکنش، یک پروفایل مشتری ایجاد می کنند. درواقع، تشخیص تقلب مبتنی بر قوانین، تقلب را بر اساس مجموعه ای از ویژگی های غیرمعمول، شناسایی می کند. با این وجود، نقاط ضعفی وجود دارد که سیستم های مبتنی بر قواعد باید به آن ها رسیدگی کنند که عبارتند از:

• نقاط کور: این سیستم ها حاوی نقاط کور هستند؛ مناطقی که قواعد را پوشش نمی دهند. در این شرایط، کلاهبرداران معاملات را جعل می کنند یا قوانین موجود را دور می زنند؛
• کمبود داده: سیستم های مبتنی بر قواعد با انبوهی از داده ها به بهترین شکل کار می کنند تا به تمام آسیب پذیری هایی که موسسات با آن ها مواجه اند، بهتر رسیدگی کنند. اگر یک موسسه به یک مجموعه داده کوچک محدود شود، نمی تواند دقیق و موثر تراکنش های جعلی را شناسایی کند؛
• داده های نادرست: یک سیستم مبتنی بر قواعد، زمانی بهترین کار را انجام می دهد که افسر امنیت قواعد مفید و موثری را تنظیم کند. قواعد نادرست یا بد تعریف شده منجر به نتایج مثبت نادرست می شوند.

همچنین نقاط قوت این روش عبارتند از:

• شفافیت: ازآنجایی که سیستم های مبتنی بر قواعد بر اساس قواعدی که رعایت می شوند، عمل می کنند، تفسیر آن ها آسان یا شفاف است. اگر مشکلی در گزارش ایجاد شود، می تواند به سرعت آن را شناسایی و اصلاح کند؛
• سادگی: در برخی موارد، سادگی بهترین راه است. این مورد برای اجرای سیستم مبتنی بر قواعد نیز صادق است. سیستم های تشخیص تقلب مبتنی بر قواعد به راحتی قابل توسعه و اعتبارسنجی اند و نسبتا سریع عمل می کنند.

تشخیص تقلب مبتنی بر قواعد و یادگیری ماشین

تشخیص تقلب الگوریتمی که بیشتر به عنوان تشخیص تقلب مبتنی بر یادگیری ماشین شناخته می شود، مشابه تشخیص تقلب مبتنی بر قواعد عمل می کند. این سیستم ها به جای تکیه بر مداخله انسانی، این کار را به طور خودکار انجام می دهند و مداخله انسانی بیشتر در مرحله ورودی داده و مرحله تضمین کیفیت در پایان فرایند رخ می دهد. درهرصورت، مدل های الگوریتمی ضرورت مداخله انسانی را به میزان قابل توجهی کاهش می دهند و در هزینه های سربار و نیروی کار موسسات صرفه جویی می کنند.

تشخیص تقلب مبتنی بر داده

تجزیه و تحلیل تقلب به ابزار نوظهور برای تشخیص ناهنجاری ها، پرچم های قرمز و الگوهای موجود در مقادیر انبوهی از داده ها تبدیل شده است که تجزیه و تحلیل آن بسیار چالش برانگیز است. تجزیه و تحلیل تقلب مبتنی بر داده یک رویکرد بسیار امیدوارکننده به سه دلیل آشکار است. این دلایل عبارتند از:

• دقت: رویکرد انسان محور مستعد ریسک است. در مقابل، داده های با کیفیت خوب برای افزایش دقت و صحت تجزیه و تحلیل حیاتی است؛
• کارایی عملیاتی: تجزیه و تحلیل تقلب مبتنی بر داده با استفاده از تکنیک های پیشرفته از حوزه های مختلف ازجمله یادگیری ماشین، آمار، ریاضیات و یادگیری عمیق ساخته شده است؛
• کارایی هزینه: توسعه و حفظ یک سیستم موثر و ناب تشخیص تقلب با متخصصان هم چالش برانگیز و هم کاری فشرده است.

محققان از روش ها و الگوریتم های مختلفی برای کشف تقلب در بخش های مالی یا پولشویی استفاده کرده اند؛ اما مواردی که کشف تقلب را چالش برانگیزتر و دشوارتر می کند عبارتند از:

• الگوهای پویای تقلب: این الگوها برای سیستم هایی که بر مدل های یادگیری نظارت شده متکی هستند، بسیار چالش برانگیز است. این سیستم ها فقط می توانند الگوهای تقلب را بر اساس مجموعه داده های آموزشی که از الگوهای رخ داده در گذشته تشکیل شده است، شناسایی کنند؛
• اندازه گیری عملکرد: یکی دیگر از چالش هایی است که به دلیل توزیع ناهموار داده ها ایجاد می شود، نرخ دقت است که برای یک مسئله طبقه بندی معمولی استفاده می شود. این معیار ممکن است همیشه برای کشف تقلب مناسب نباشد؛
• ادغام داده هایی با تنوع و حجم زیاد: یکی از مزایای مهم کلان داده ها این است که کاربران را قادر می سازد، داده ها را از منابع مختلف ازجمله منابع مالی و سایر منابع مانند فعالیت های بازارهای مالی، پیام های بین کارگزاران و غیره جمع آوری کنند در نتیجه، داده هایی که از منابع مختلف به دست می آیند، چالش های یکپارچه سازی را برای سیستم تحلیل تقلب ایجاد می کنند.

نرم افزارهای تشخیص تقلب بانکی و اهداف کلیدی آن

نرم افزار تشخیص تقلب برای شناسایی تراکنش های غیرقانونی و پرریسک به صورت آنلاین استفاده می شود. این ابزارها برای اطمینان از قانونی بودن تراکنش ها و درعین حال محافظت از اطلاعات حساس مشتریان و کسب و کار کاربرد دارند. به طور خلاصه اهداف کلیدی نرم افزارهای تشخیص تقلب بانکی به شرح زیر است:

• تأیید هویت یک فرد: فرایند ورود، تنها زمانی باید اتفاق بیفتد که از واقعی بودن شخص اطمینان حاصل شود؛
• انطباق: ازآنجاکه دنیای مالی به شدت تحت نظارت است، نرم افزار تشخیص تقلب بانکی باید به برآورده کردن کلیه الزامات نظارتی مربوط به شناسایی مشتری، فرایندهای ضد پولشویی و… کمک می کند؛
• محافظت از حساب های مشتریان: وظیفه بانک این است که اطمینان حاصل کند هیچکس دیگری به جز مشتری به حساب وی دسترسی ندارد؛ بنابراین، نرم افزار تشخیص تقلب بانکی باید هم به عنوان یک راهکار شناسایی و هم به عنوان یک ابزار احراز هویت و همچنین علامتگذاری تراکنش های مشکوک برای شناسایی یک تقلب بالقوه کار کند.

نرم افزارهای تشخیص تقلب در ایران

نرم افزارهای تشخیص تقلب در ایران عبارتند از:

• شرکت خدمات انفورماتیک – سامانه تشخیص تقلب ایمن: هم اکنون، سامانه های ایمن مبتنی بر حساب شامل سامانه ایمن پایا، ایمن ساتنا و ایمن پیچک به صورت آنلاین و برخط تراکنش ها را از سامانه های اصلی دریافت و پس از اعمال و بررسی قواعد کنترلی نظارتی بانک مرکزی و قواعد شناسایی تقلب، اقدام به شناسایی موارد مشکوک یا رد تراکنش های متخلفانه می کند؛
• سامانه کشف تقلب توسن: این سامانه، با استفاده از فناوری های جدید، امکان بررسی داده های کلان را برای شناسایی افراد متقلب و مشکوک در اختیار موسسات مالی قرار می دهد. اهداف سامانه کشف تقلب عبارت است از: شناخت عملیاتی که از قوانین و آئین نامه های بانکی تخطی کرده اند و یا به صورت غیرقانونی انجام شده اند، ولی در نهایت منجر به سوءاستفاده مالی شده است؛
• شرکت تامین خدمات سیستم های کاربردی کاسپین: کاسپین (به عنوان یکی از شرکت های زیرمجموعه هلدینگ بانک پارسیان) نیز در حوزه کشف تقلب، سامانه درحال توسعه کشف یا را معرفی کرده است. عمده ترین مزیت های این سامانه در مقایسه با موارد مشابه خارجی عبارت اند از: استفاده از تکنیک های مختلف داده کاوی به صورت ترکیبی، امکان اضافه کردن قواعد جدید بدون نیاز به دانش برنامه نویسی و داشتن داشبوردهای متنوع مانیتورینگ و تحلیلی.

راهکارهای پیشنهادی برای مقابله با تقلب

راهکارهای پیشنهادی برای مقابله با تقلب عبارتند از:

• طراحی و توسعه سامانه ای که امکان تجزیه و تحلیل مجموعه داده های دارای برچسب تقلب جمع آوری شده از بانک ها و موسسات مالی؛
• طراحی و توسعه سامانه ای که امکان کشف الگوهای پنهان کلاهبرداری را با یادگیری از نمونه های تقلب، با استفاده از ماشین حساس به هزینه؛
• طراحی و توسعه سیستمی که امکان یافتن توازن بین دقت و حساسیت مدل.

جمع بندی

کشف تقلب به مجموعه فعالیت هایی اطلاق می شود که هدف آن کشف و جلوگیری از به دست آوردن پول یا اموال از طریق روش های غیرقانونی و نامشروع است. این فعالیت از طریق تحلیل آنی اطلاعات مشتریان، شرکت، دارایی ها، حساب ها و تراکنش ها انجام می شود. برخی از روش های تقلبی که در جهان مورد استفاده قرار گرفته اند مواردی چون تشخیص تقلب مبتنی بر قواعد، تشخیص تقلب مبتنی بر قواعد و یادگیری ماشین و تشخیص تقلب مبتنی بر داده می باشند. پژوهش حاضر به معرفی نرم افزار های تشخیص تقلب و اهداف آن ها پرداخته است. این نرم افزار ابزاری است که برای شناسایی تراکنش های غیرقانونی و پرریسک به صورت آنلاین استفاده می شود. از مهم ترین موارد این نرم افزارها در ایران سامانه تشخیص تقلب ایمن و سامانه کشف تقلب توسن می باشند. در پایان پژوهش راهکارهایی مانند طراحی و توسعه سیستمی که امکان یافتن توازن بین دقت و حساسیت مدل به منظور پیشگیری از تقلب ارائه شده است.

این مطالعه در پژوهشکده پولی و بانکی بانک مرکزی جمهوری اسلامی ایران توسط زهرا لطیفی در سال ۱۴۰۱ انجام شده ‌است.