اگه برات جالبه بدونی چطور میشه با استفاده از هوش مصنوعی پولشویی رو کشف کرد، این مقاله دقیقا همون چیزیه که دنبالشی! یه تیم محقق کار جالبی انجام دادن و با ترکیب چند روش جدید با هم، تونستن مدل شاخی واسه کشف پولشویی بسازن که هم دقتش بالاس، هم کمتر اشتباه میکنه.
اول از همه، بیایم در مورد مشکل پولشویی بگیم. پولشویی یعنی بعضیا پول‌هایی که از راه‌های غیرقانونی به دست آوردن رو طوری وارد سیستم بانکی می‌کنن که انگار قانونی بوده. پیدا کردن این کار خیلی سخته چون معمولاً با مبالغ زیاد و تراکنش‌های پیچیده قاطی میشه و الگوهاش همیشه یک شکل نیست.
حالا این تیم روی یه سیستم هوشمند کار کردن که اسمش Transformer هست. این یه مدل پیشرفته‌ی هوش مصنوعیه که قبلاً بیشتر برای کارای متنی مثل ترجمه و چت و این چیزا استفاده میشد. Transformer یه جور معماری شبکه عصبیه (یعنی ساختار مغز-مانند هوش مصنوعی) که می‌تونه داده‌ها رو خوب پردازش و ارتباطات عمیق بین بخشای مختلفش رو پیدا کنه. ولی این‌جا اومدن و ازش روی داده‌های مالی و سری‌های زمانی استفاده کردن.
سری زمانی یعنی یه دنباله از اطلاعات که به ترتیب زمان مرتب شده؛ مثل تراکنش‌های یک حساب بانکی در طول زمان. نکته جالب اینه که مدل فقط با داده‌های ساختارمند کار میکنه؛ یعنی هم اطلاعات عددی داره، هم کیفی. مثلاً عددی مثل مبلغ و کیفی مثل نوع تراکنش.
تو قدم اول، میان به مدل یاد میدن که خودش، بدون نیاز به برچسب زدن داده‌ها (یعنی بدون اینکه بگن کدوم تراکنش پولشویی هست و کدوم نیست)، بره توی داده‌ها یه نمایه خوب از الگوها پیدا کنه. این تکنیک رو میگن Contrastive Learning؛ یعنی مدل یاد می‌گیره که داده‌های مشابه رو به هم نزدیک کنه و متفاوت‌ها رو دور نگه داره – یه جور یادگیری که بهش میگن یادگیری متقابل: مدل خودش الگو می‌کشه، نه اینکه حتماً بهش بگن چی چیه!
بعدش میان از نمایه‌های یادگرفته‌شده مدل استفاده می‌کنن و به هر تراکنش یا مجموعه تراکنش‌ها یه نمره یا امتیاز پولشویی میدن. این نمره نشون میده که مدل چقدر فکر میکنه اون تراکنش مشکوکه.
اما داستان به همین‌جا ختم نمیشه. یکی از مشکلات بزرگ تشخیص پولشویی اینه که گاهی مدل‌ها کلی علامت اشتباهی (False Positive) میدن – یعنی کسی که کاری نکرده رو هم مشکوک نشون میدن! این باعث دردسر برای آدمایی میشه که بی‌گناهن. واسه همین، این محققا یه ایده باحال زدن: بر اساس روشی به نام روش بنجامینی-هوچبرگ (Benjamini-Hochberg) اومدن دو تا آستانه (Threshold) گذاشتن. این روش یه تکنیک کنترلی هست که کمک میکنه توی تصمیم‌گیری‌ها نرخ هشدار اشتباهی (False Positive Rate) کنترل بشه. یعنی مدلشون سفت و سخت مراقب بود که تعداد بی‌گناه‌هایی که به اشتباه متهم میشن، پایین بمونه.
نتیجه آزمایش‌هاشون هم خیلی چشم‌گیر بوده! مدل Transformer واقعاً تونسته الگوهای پیچیده پولشویی رو با حداقل کمک از متخصص‌ها یاد بگیره، هم خلافکارهای واقعی رو پیدا کنه، هم آدمای بی‌گناه رو درست تشخیص بده، و همه اینا با خطای کمتر نسبت به مدل‌های قدیمی مثل Rule-based (یعنی همون مدل‌هایی که فقط با یه‌سری قانون کار می‌کنن) یا LSTM (یه نوع معماری شبکه عصبی قدیمی‌تر که برای داده‌های ترتیبی و زمانی استفاده میشد).
خلاصه، این تحقیق نشون داده که ترکیب Transformer و Contrastive Learning نه تنها خیلی هوشمندانه‌تر پولشویی رو پیدا میکنه، بلکه کلی جلوی دردسرهای بی‌دلیل رو هم می‌گیره. جالبه بدونی که این مدل نیاز کمتری به دانش تخصصی مستقیم از حوزه مالی داره چون یادگیریش بیشتر به صورت مستقل اتفاق می‌افته. یعنی مدل خودش تو داده‌ها شیرجه میزنه و الگوهای عجیب رو پیدا میکنه!
در کل، اگه تو هم دوست داری بدونی نسل جدید هوش مصنوعی چطور می‌تونه به مبارزه با جرم‌های مالی کمک کنه و مدلای ساده و قفل‌شده رو کنار بزاره، این کار واقعاً یه قدم جلومیزنه. شاید تا چند سال دیگه بانکا و نهادهای نظارتی هم بیان سراغ همین روش‌ها تا جلوی پولشویی رو با تکنولوژی بگیرن!
منبع: +
