هل يستطيع الذكاء الاصطناعي اكتشاف الاحتيال الإلكتروني قبل وقوعه؟ وكيف تتعرف الأنظمة الذكية على السلوك المشبوه

 هل يستطيع الذكاء الاصطناعي اكتشاف الاحتيال الإلكتروني قبل وقوعه؟ وكيف تتعرف الأنظمة الذكية على السلوك المشبوه؟

قد تبدأ عملية الاحتيال الإلكتروني بتصرف صغير لا يلفت انتباه الإنسان: تسجيل دخول من جهاز غير معتاد، أو تغيير مفاجئ في نمط الاستخدام، أو سلسلة معاملات تختلف عما اعتاد عليه المستخدم.

كل إشارة بمفردها قد تبدو طبيعية، لكن عند جمع عدد كبير من الإشارات وتحليلها معًا قد يظهر نمط مختلف تمامًا.

هنا يدخل الذكاء الاصطناعي في اكتشاف الاحتيال Fraud Detection، إذ يمكن استخدام خوارزميات تعلم الآلة لتحليل كميات ضخمة من البيانات والبحث عن الأنماط غير المعتادة بسرعة يصعب تحقيقها بالمراجعة البشرية وحدها.

فكيف تعرف هذه الأنظمة أن نشاطًا ما قد يكون مشبوهًا؟ وهل يمكنها بالفعل اكتشاف عملية احتيال قبل اكتمالها؟

كيف كان يُكتشف الاحتيال تقليديًا؟

تعتمد أنظمة مكافحة الاحتيال التقليدية بدرجة كبيرة على مجموعة من القواعد المحددة مسبقًا.

على سبيل المثال، قد تُنشأ قاعدة تنص على إجراء فحص إضافي إذا تجاوزت معاملة قيمة معينة، أو حدثت عدة محاولات غير معتادة خلال فترة قصيرة.

هذه القواعد مفيدة، لكنها تواجه مشكلة واضحة: المحتالون يغيرون أساليبهم باستمرار.

وقد يظهر سلوك احتيالي جديد لا يطابق القواعد المعروفة، وهنا يصبح الاعتماد على القواعد الثابتة وحدها أقل فاعلية.

ماذا يضيف الذكاء الاصطناعي؟

بدلًا من البحث عن مخالفة قاعدة واحدة فقط، تستطيع نماذج تعلم الآلة دراسة عدد كبير من الخصائص في الوقت نفسه ومحاولة اكتشاف العلاقات بينها.

فقد يحلل النظام — بحسب التطبيق والبيانات المتاحة والمسموح باستخدامها — عوامل مثل:

• توقيت النشاط.
• نمط المعاملات السابقة.
• الجهاز أو البيئة المستخدمة.
• التغيرات غير المعتادة في طريقة استخدام الحساب.
• تكرار المحاولات خلال مدة قصيرة.
• تسلسل الأحداث قبل العملية.
• مدى اختلاف النشاط الحالي عن الأنماط السابقة.

بعد ذلك يستطيع النظام إنتاج درجة مخاطر أو إشارة تساعد النظام الأمني على تحديد الحالات التي تستحق فحصًا إضافيًا.

كيف يتعلم النظام ما هو طبيعي وما هو مشبوه؟

هناك عدة طرق.

في التعلم الخاضع للإشراف Supervised Learning، يمكن تدريب النموذج على بيانات تاريخية تحتوي على أمثلة صُنفت مسبقًا إلى معاملات سليمة وحالات احتيال مؤكدة.

يتعلم النموذج الخصائص والأنماط المرتبطة بكل فئة، ثم يستخدم ما تعلمه عند تحليل حالات جديدة.

لكن هناك مشكلة: ماذا لو ظهر نوع جديد من الاحتيال لم يكن موجودًا في بيانات التدريب؟

هنا تصبح تقنيات اكتشاف الشذوذ Anomaly Detection مهمة.

بدلًا من محاولة معرفة كل أسلوب احتيالي مسبقًا، يتعلم النظام شكل السلوك الطبيعي ثم يبحث عن الأنشطة التي تنحرف عنه بصورة غير معتادة.

مثال بسيط: ماذا يرى الذكاء الاصطناعي؟

تخيل حسابًا يستخدم عادة بطريقة متقاربة يومًا بعد يوم.

فجأة تظهر مجموعة من التغيرات المتزامنة.

جهاز جديد، توقيت غير معتاد، سلسلة عمليات سريعة، وتغير واضح في نمط النشاط.

قد لا تكون أي واحدة من هذه الإشارات دليلًا على الاحتيال بمفردها.

لكن النظام يستطيع دمجها وتحليلها في أجزاء من الثانية، ثم تحديد أن الحالة تحمل درجة مخاطر أعلى من المعتاد.

وهذا أحد أهم الفروق بين النظام الذكي والقاعدة البسيطة: القرار يمكن أن يعتمد على مجموعة مترابطة من الإشارات وليس على حدث واحد فقط.

هل يستطيع اكتشاف الاحتيال قبل وقوعه؟

الأدق أن نقول: يمكن للأنظمة الذكية في بعض الحالات اكتشاف مؤشرات الخطر أثناء حدوث النشاط وقبل إتمام بعض العمليات.

فعندما يلاحظ النظام نمطًا عالي الخطورة، يمكن للنظام المصمم حوله اتخاذ إجراءات مثل طلب تحقق إضافي أو تعليق العملية مؤقتًا للمراجعة.

لكن الذكاء الاصطناعي لا يتنبأ بالمستقبل بصورة سحرية.

هو يحلل البيانات المتاحة ويقدّر احتمالية أن يكون النشاط غير طبيعي أو مرتبطًا بالاحتيال.

لذلك فإن التعبير الأدق ليس أن الذكاء الاصطناعي “يعرف أن الاحتيال سيحدث”، بل أنه يستطيع رصد إشارات مبكرة مرتبطة بارتفاع مستوى المخاطر.

لماذا يصعب على المحتالين التعامل مع هذه الأنظمة؟

القواعد التقليدية يمكن أحيانًا فهمها ومحاولة تجنبها إذا أصبحت أنماطها معروفة.

أما نموذج تعلم الآلة فقد يعتمد على عدد كبير من المتغيرات والعلاقات بينها، ما يجعل محاكاة السلوك الطبيعي بصورة متسقة أكثر تعقيدًا.

إضافة إلى ذلك، تستطيع المؤسسات تحديث نماذجها عندما تظهر بيانات وأساليب احتيال جديدة.

لكن هذا لا يعني أن الذكاء الاصطناعي يجعل النظام محصنًا؛ فالمهاجمون أنفسهم يستطيعون تغيير استراتيجياتهم ومحاولة التكيف مع وسائل الكشف الجديدة.

ولهذا تتحول مكافحة الاحتيال إلى سباق مستمر بين الكشف والتكيف.

المشكلة الكبيرة: الإنذارات الكاذبة

إذا كان النظام شديد الحساسية، فقد يصنف سلوكًا طبيعيًا على أنه مشبوه.

تخيل أنك تسافر إلى بلد آخر وتستخدم جهازًا جديدًا لإجراء معاملة تختلف عن عاداتك السابقة.

قد تبدو هذه الإشارات مشابهة لبعض الأنماط المرتبطة بالاستيلاء على الحسابات، رغم أنك المستخدم الحقيقي.

هذا ما يعرف بـ False Positive أو الإنذار الإيجابي الكاذب.

وإذا ازدادت هذه الحالات فقد تسبب إزعاجًا للمستخدمين وتعطيل معاملات سليمة.

لذلك لا يكمن التحدي في اكتشاف أكبر عدد ممكن من الحالات المشبوهة فقط، وإنما في تحقيق توازن بين الأمان وتقليل الإنذارات الخاطئة.

هل يتخذ الذكاء الاصطناعي القرار بمفرده؟

ليس بالضرورة.

في الأنظمة الواقعية قد يكون نموذج الذكاء الاصطناعي جزءًا من منظومة أكبر تضم قواعد أمنية وأنظمة تحقق ومراجعة بشرية وإجراءات استجابة مختلفة.

فالحالات منخفضة المخاطر قد تمر بصورة طبيعية، بينما تتطلب الحالات الأخرى تحققًا إضافيًا، وقد تُحال الحالات الأكثر تعقيدًا إلى متخصصين.

وبذلك يصبح الذكاء الاصطناعي أداة تساعد على تحديد الأولويات واتخاذ قرارات أسرع بدلًا من أن يكون بديلًا كاملًا للرقابة البشرية.

ماذا عن الاحتيال الذي يستخدم الذكاء الاصطناعي نفسه؟

هنا تصبح المواجهة أكثر تعقيدًا.

فالذكاء الاصطناعي التوليدي يمكن إساءة استخدامه لإنتاج رسائل تصيد أكثر إقناعًا أو إنشاء محتوى مزيف ومحاولات انتحال أكثر تطورًا.

وفي المقابل تستخدم المؤسسات تقنيات الذكاء الاصطناعي لتحليل السلوك واكتشاف الأنماط غير الطبيعية.

وهكذا نصل إلى مفارقة مهمة:

الذكاء الاصطناعي يمكن أن يصبح أداة يستخدمها المدافع والمهاجم في الوقت نفسه.

ولهذا قد يكون أحد أكبر تحديات الأمن الرقمي خلال السنوات القادمة هو تطوير أنظمة تستطيع التكيف بسرعة مع أساليب الاحتيال المتغيرة.

هل سيقضي الذكاء الاصطناعي على الاحتيال الإلكتروني؟

من غير الواقعي توقع ذلك.

فالاحتيال لا يعتمد على التقنية فقط؛ بل يستغل أيضًا الهندسة الاجتماعية والثقة والخطأ البشري وسرقة البيانات وأساليب تتغير باستمرار.

لكن قدرة الذكاء الاصطناعي على تحليل كميات هائلة من الأحداث بسرعة والعثور على أنماط يصعب ملاحظتها يدويًا تجعله أداة مهمة في أنظمة مكافحة الاحتيال الحديثة.

الخلاصة

لا يملك الذكاء الاصطناعي قدرة سحرية على معرفة أن شخصًا ما سيقوم بعملية احتيال، لكنه يستطيع تحليل عدد ضخم من الإشارات واكتشاف الأنماط التي تختلف عن السلوك المتوقع.

وتزداد قيمة هذه الأنظمة عندما تعمل لحظيًا، فتساعد على رصد المخاطر قبل اكتمال بعض العمليات، أو تطلب تحققًا إضافيًا عندما يبدو النشاط غير معتاد.

لكن المعركة الحقيقية ليست في اكتشاف الاحتيال فقط؛ بل في القيام بذلك بدقة وسرعة ومن دون تعطيل المستخدم الحقيقي.

ولهذا قد يكون مستقبل مكافحة الاحتيال قائمًا على تعاون ثلاثة عناصر: الذكاء الاصطناعي، والأنظمة الأمنية، والخبرة البشرية.