إطار عمل جديد للذكاء الاصطناعي القابل للتفسير يمنح مدققي البنوك أسبابًا واضحة لرصد المعاملات المشبوهة

كشف فريق بحثي عن إطار عمل جديد للذكاء الاصطناعي القابل للتفسير (Explainable AI - XAI) يهدف إلى مساعدة مدققي البنوك على فهم أسباب تصنيف معاملة معينة كمشبوهة، بدلًا من الاعتماد الأعمى على درجة خطر صادرة عن نموذج مغلق. الورقة البحثية، المنشورة على أرشيف arXiv تحت الرقم (2607.13469)، تجمع بين نموذج الغابة المعزولة (Isolation Forest - iForest) المستخدم في التصنيف غير الخاضع للإشراف (Unsupervised) لرصد الشذوذ، وطبقة تفسيرية تترجم مخرجات النموذج إلى أسباب واضحة على مستوى الخصائص (Feature-level) يمكن لموظف الالتزام التصرف بناءً عليها فعليًا.

المشكلة الأساسية التي تعالجها الورقة مألوفة لكل من عمل في مجال رصد الجرائم المالية: نماذج رصد الشذوذ (Anomaly Detection) بارعة في اكتشاف الحالات الاستثنائية، لكنها ضعيفة في تفسير قراراتها. تقنية iForest، وهي من أكثر الأساليب غير الخاضعة للإشراف انتشارًا، تعزل النقاط غير العادية عبر قياس سرعة فصلها عن باقي البيانات من خلال تقسيم عشوائي متكرر. الطريقة فعالة ولا تحتاج إلى أمثلة احتيال موصوفة مسبقًا (Labeled)، وهو ما يجعلها مفضّلة لدى البنوك التي تندر فيها حالات الاحتيال المؤكدة. لكن الثمن كان دائمًا قابلية التفسير: يحصل المحلل على درجة خطر، لا على سبب مقنع.

سد الفجوة بين الدقة والتفسير

لمعالجة هذه الثغرة، يضيف الإطار الجديد طبقة من تقنيات التفسير فوق نتائج iForest، تُفصّل أي خصائص للمعاملة (كالمبلغ، والتكرار، والموقع، والتوقيت، ومتغيرات مشابهة) ساهمت أكثر في تصنيف المعاملة كمشبوهة. وعلى مجموعة بيانات مصرفية اصطناعية (Synthetic Dataset) صُممت لمحاكاة أنماط المعاملات الحقيقية، سجّل النظام دقة (Precision) بلغت 0.91 واستدعاءً (Recall) بلغ 0.88، متفوقًا على ثلاثة نماذج أساسية (Baseline Models) غير خاضعة للإشراف اختُبرت في الدراسة نفسها. هذه الأرقام تشير إلى أن إضافة طبقة التفسير لم تأتِ على حساب دقة الرصد، وهو تحدٍ شائع عندما تُضاف ميزات التفسير إلى أنظمة قائمة مسبقًا.

مصمَّم لمكتب التدقيق، لا لفريق علوم البيانات

قد يكون أهم إسهام عملي في هذا البحث هو طريقة عرض النتائج. فقد بنى الباحثون لوحة تحكم بواسطة أداة Streamlit تعرض نتائج النموذج بصريًا، وموجّهة خصيصًا لمهنيي التدقيق الذين لا يمتلكون خلفية في تعلم الآلة (Machine Learning). فبدلًا من إلزام المدققين بتفسير درجات الشذوذ الخام أو الرسوم البيانية على غرار SHAP بمفردهم، تعرض الواجهة العوامل المحددة التي أدت إلى كل تنبيه، بصيغة مصممة للتكامل مع سير عمل التدقيق الحالي.

وتدعم الورقة هذا الاختيار التصميمي بتقييمات من خبراء ميدانيين: أفاد المدققون الذين راجعوا التفسيرات على مستوى الخصائص بارتفاع ملحوظ في ثقتهم بقراراتهم، وبحسب الباحثين، اتخذوا قرارات أكثر جودة نتيجة لذلك. هذا النوع من التحقق مهم في مجال تكلف فيه النتائج الإيجابية الكاذبة (False Positives) وقت المحققين، بينما تحمل النتائج السلبية الكاذبة (False Negatives) مخاطر تنظيمية ومالية.

بالنسبة للبنوك التي تواجه ضغوطًا متزايدة من الجهات التنظيمية لتبرير قرارات اتخاذها الآلي، تعالج أدوات كهذه فجوة حقيقية بين أداء الرصد والمساءلة عنه. طويلًا فضّلت المؤسسات النماذج غير الخاضعة للإشراف في أعمال الاحتيال والشذوذ بسبب نقص البيانات الموصوفة، لكن الجهات التنظيمية تتوقع اليوم من المؤسسات أن تفسّر النشاط المشبوه لا أن ترصده فقط. يمثّل هذا الإطار محاولة بحثية أولية لتلبية المتطلبين معًا، لكن أداءه حتى الآن لم يُختبر إلا على بيانات اصطناعية، دون معاملات إنتاجية حقيقية.