💬 NLP

An Agentic LLM Framework for Adverse Media Screening in AML Compliance

تقدم هذه الورقة إطار عمل لنماذج لغوية كبيرة وكيلية (agentic LLM) يستخدم تقنية التوليد المعزز بالاسترجاع (RAG) لأتمتة فحص الوسائط السلبية للامتثال لمكافحة غسل الأموال، مما يميز بفعالية بين الأفراد عالي المخاطر والأسماء النظيفة من خلال إنشاء مؤشر للوسائط السلبية لتقليل النتائج الإيجابية الكاذبة وجهود المراجعة اليدوية.

المؤلفون الأصليون: Pavel Chernakov, Sasan Jafarnejad, Raphaël Frank

نُشر 2026-03-02

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Pavel Chernakov, Sasan Jafarnejad, Raphaël Frank

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك مدير بنك يحاول اتخاذ قرار بشأن إقراض المال لعميل جديد. قبل أن تقول "نعم"، يتعين عليك إجراء فحص للخلفية للتأكد من أنهم ليسوا متورطين في أعمال مشبوهة، أو فساد، أو غسيل أموال. هذا ما يسمى بـ فحص الوسائط السلبية (Adverse Media Screening).

تقليديًا، كانت البنوك تقوم بهذا الأمر مثل محقق يستخدم عدسة مكبرة وقائمة من الكلمات المفتاحية. كانوا يبحثون عن كلمات مثل "احتيال"، "اعتقال"، أو "فضيحة". لكن هذه الطريقة معيبة؛ فهي تشبه البحث عن كلمة "تفاحة" والحصول على نتائج تتعلق بالفاكهة، وشركة التكنولوجيا، وأغنية لفرقة البيتلز معًا. تحصل بذلك على الكثير من الإنذارات الخاطئة (الإيجابيات الكاذبة)، ويضطر الموظفون البشريون لقضاء ساعات في فرز الضجيج يدويًا للعثور على الخطر الحقيقي.

تقدم هذه الورقة حلاً أذكى وأسرع: وكيل AMI (The AMI Agent). فكر فيه كأنه محقق ذكاء اصطناعي فائق الذكاء ولا يكل، لا يكتفي بمجرد البحث عن الكلمات المفتاحية، بل يقرأ ويفهم الأخبار فعليًا.

إليك كيف يعمل النظام، مقسمًا إلى خطوات بسيطة:

1. محرك البحث (أمين المكتبة)

أولاً، يعمل الذكاء الاصطناعي كأمين مكتبة. تعطي له اسمًا (مثل "جون سميث"). وبدلاً من مجرد التخمين، يذهب إلى الإنترنت (باستخدام أدوات مثل بحث Google) ويجلب أفضل 10 مقالات إخبارية أو صفحات ويب حول ذلك الشخص.

2. زاحف الويب والمعالج (المُنخل)

بعد ذلك، يزور الذكاء الاصطناعي تلك الروابط. إنه يشبه مكنسة الروبوت التي تشفط النصوص من المواقع الإلكترونية ولكنها تتجاهل الإعلانات، والنوافذ المنبثقة، وقوائم التنقل. يقوم بتقطيع المقالات الطويلة إلى قطع أصغر يمكن إدارتها (مثل تقطيع رواية طويلة إلى فصول) لكي يتمكن من التركيز على التفاصيل.

3. وكيل النموذج اللغوي الكبير (المحقق)

هذا هو عقل العملية. يستخدم الذكاء الاصطناعي تقنية تسمى RAG (التوليد المعزز بالاسترجاع). تخيل أن لدى الذكال الاصطناعي مكتبة ضخمة من الحقائق في رأسه، ولكنه بالنسبة لهذه الحالة المحددة، يسحب الفصول الدقيقة من الأخبار التي وجدها للتو.

ثم يطرح على نفسه ثلاثة أسئلة حاسمة لكل قطعة نص يجدها:

فحص الهوية: "هل هذا المقال يتحدث حقًا عن جون سميث الذي أبحث عنه، أم أنه مجرد جون سميث آخر؟" (وهذا يحل مشكلة "التفاحة مقابل شركة Apple").
فحص السلبية: "هل هذا الخبر سيء حقًا، أم أنه مجرد خبر محايد؟" (فهو يفهم أن كون الشخص "معتقلًا" في قصة عن حبكة فيلم يختلف عن كونه "معتقلًا" بسبب الاحتيال).
فحص المخاطر: "إذا كان هذا صحيحًا، فما مدى خطورته على البنك؟"

4. مولد الحكم (القاضي)

أخيرًا، يعمل الذكاء الاصطناعي كقاضٍ. يأخذ جميع الإجابات من مرحلة المحقق ويكتب تقريرًا نهائيًا. يعطي الشخص درجة مخاطر (من 0 إلى 1)، والأهم من ذلك، يكتب شرحًا بلغة بسيطة لسبب إعطائه هذه الدرجة.

لماذا يعد هذا أمرًا مهمًا؟

إنه يفهم السياق: الأنظمة التقليدية تصرخ "إنذار!" إذا رأت كلمة "قنبلة". أما الذكاء الاصطناعي فيعرف الفرق بين "تهديد بقنبلة" وبين "مراجعة لفيلم عن فرقة تفكيك القنابل".
إنه يشرح نفسه: إذا صنف الذكاء الاصطناعي شخصًا ما على أنه عالي المخاطر، فهو لا يكتفي بإعطاء رقم فقط؛ بل يقول: "لقًدت صنفته كخطر لأن المقال رقم 3 يذكر تحقيقًا في قضية احتيال في عام 2022". وهذا يجعل من السهل على البشر مراجعة العمل.
إنه مرن: يمكنك تغيير "كتيب التعليمات" (الأسئلة التي يطرحها الذكاء الاصطناعي) دون إعادة كتابة الكود بالكامل. إذا صدرت قوانين جديدة، يمكنك فقط تعديل الأسئلة.
إنه مفتوح: جعل المبتكرون الكود مفتوح المصدر، مما يعني أن أي شخص يمكنه استخدامه، أو اختباره، أو تحسينه.

النتائج

اختبر الباحثون هذا "المحقق الآلي" على أربع مجموعات من الأشخاص:

الأسماء النظيفة: علماء مشهورون لم يرتكبوا أي خطأ قط. (أعطاهم الذكاء الاصطناعي درجات مخاطر تقترب من الصفر).
الأشخاص ذوو المناصب السياسية (PEPs): السياسيون والمسؤولون العموميون (وهم ذوو مخاطر أعلى). (أعطاهم الذكاء الاصطناعي درجات متوسطة).
قوائم المراقبة: الأشخاص الذين صدرت بحقهم تحذيرات تنظيمية. (أعطاهم الذكاء الاصطراعي درجات أعلى).
المجرمون المفروض عليهم عقوبات: أشخاص ممنوعون رسميًا بسبب جرائم. (أعطاهم الذكاء الاصطناعي درجات عالية جدًا).

نجح النظام في الفصل بين الأشخاص "الجيدين" والأشخاص "السيئين"، مما أثبت أن الذكاء الاصطناعي يمكنه القيام بهذه المهمة بشكل أسرع وأكثر دقة من طرق الكلمات المفتاحية القديمة.

العقبة

تعترف الورقة بأن النظام ليس مثاليًا.

يعتمد على الإنترنت: إذا لم يكن الخبر السيئ موجودًا على الإنترنت، أو إذا أخفته محركات البحث، فلن يجده الذكاء الاصطناعي.
ارتباك الأسماء: إذا كان هناك شخصان لهما نفس الاسم تمامًا ووظائف متشابهة، فقد يظل الذكاء الاصطناعي مرتبكًا.
الهلوسة: أحيانًا يبتدع الذكاء الاصطناعي أشياء من خياله. تم تصميم النظام لمنع ذلك من خلال إجبار الذكاء الاصطناعي على الالتزام بالمقالات التي وجدها، ولكن المراجعة البشرية تظل ضرورية للقرارات الجادة.

الخلاصة

تقترح هذه الورقة طريقة جديدة للتعامل مع فحوصات السلامة المالية. بدلاً من قيام إنسان بفرز آلاف النتائج المربكة، أصبح لدينا الآن وكيل ذكاء اصطناعي يقرأ، ويفهم، ويشرح الأخبار، ليعمل كمساعد قوي للحفاظ على سلامة البنوك من المجرمين. إنه يشبه الترقية من استخدام مصباح يدوي إلى كاميرا رؤية ليلية مزودة بمترجم مدمج.

إليك ملخص تقني مفصل لورقة البحث بعنوان "إطار عمل للنماذج اللغوية الكبيرة القائم على الوكلاء (Agentic LLM) لفحص الوسائط السلبية في الامتثال لمكافحة غسل الأموال."

1. بيان المشكلة

يعد فحص الوسائط السلبية (فحص الأخبار السلبية) مكونًا حاسمًا في امتثال مكافحة غسل الأموال (AML) ومعرفة العميل (KYC). يجب على المؤسسات المالية تحديد المعلومات العامة التي تشير إلى تورط العميل في الجرائم المالية، أو الفساد، أو الاحتيال.

محدودية النهج الحالي:
- الأنظمة القائمة على الكلمات المفتاحية: تولد معدلات عالية من الإيجابيات الكاذبة بسبب مشكلة "الإشارة إلى الضجيج" (على سبيل المثال، الخلط بين الذكر المشروع والذكر السلبي).
- الأنظمة الهجينة: تجمع بين الكلمات المفتاحية والمراجعة البشرية، مما يوفر دقة أفضل ولكنه يعاني من التكاليف المرتفعة وضعف القدرة على التوسع.
- التعلم الآلي ومعالجة اللغات الطبيعية التقليدية: تعاني من صعوبة في فهم السياق وتحديد الكيانات، وغالبًا ما تتطلب مجموعات بيانات تدريبية ضخمة وموسومة، وهي نادرة في هذا المجال.
الضغوط التنظيمية: تفرض اللوائح المتطورة (مثل التوجيه الرابع من توجيه مكافحة غسل الأموال عبر التوجيه السادس، وتوجيه مكافحة غسل الأموال القادم AMLR) عمليات فحص أكثر أتمتة وقابلية للتكيف وصرامة لتغطية الجرائم الأساسية الجديدة مثل الجرائم السيبرانية.

2. المنهجية: إطار عمل وكيل AMI

يقترح المؤلفون نظامًا للنماذج اللغوية الكبيرة القائم على الوكلاء يسمى AMI Agent (وكيل مؤشر الوسائط السلبية). وهو يستخدم تقنية التوليد المعزز بالاسترجاع (RAG) لأتمتة خط سير عملية الفحص.

بنية النظام

يتكون خط العمل من خمس مراحل متتالية:

محرك البحث: يستعلم من واجهات برمجة تطبيقات البحث عبر الويب (مثل Google Custom Search) باستخدام معلمات قابلة للضبط (الاسم، تاريخ الميلاد، الانتماءات) لاسترداد أفضل $k$ من الروابط (URLs).
الزاحف الشبكي (Web Crawler): يجلب ويحلل محتوى HTML، مع إزالة العناصر غير الضرورية والإعلانات لاستخراج نص نظيف باستخدام LangChain.
معالج المستندات:
- التقطيع (Chunking): يقسم المستندات إلى قطع نصية متداخلة (الافتراضي 1000 توكن للنماذج التي تعمل عبر API، و500 للنماذج المحلية).
- التضمين (Embedding): يحول القطع إلى ناقلات كثيفة باستخدام نماذج التضمين (مثل Qwen3-Embedding-0.6B أو BAAI/bge-large-en-v1.5) ويخزنها في مخزن ناقلات FAISS للبحث الفعال عن التشابه.
وكيل النموذج اللغوي الكبير (الاستدلال الجوهري):
- ينفذ كتيب تعليمات (Playbook) قابل للضبط من أسئلة التقييم عبر تقنية RAG.
- أبعاد كتيب التعليمات:
  - مطابقة الهوية: مدى الثقة في أن المستند يشير إلى الشخص المستهدف.
  - تقييم السلبية: شدة الحقائق السلبية.
  - تقييم المخاطر: مستوى المخاطر المرتبطة بالنشاط المنسوب.
- يستخدم DSPy لفرض التواقيع النوعية، مما يضمن مخرجات مهيكلة (درجات من 0 إلى 1 مع مبررات باللغة الطبيعية).
مولد الحكم (Verdict Generator): يجمع الأدلة من جميع المستندات والأسئلة لإنتاج مؤشر وسائط سلبية (AMI score) نهائي (من 0 إلى 1) وملخص تبريري.

الميزات التقنية الرئيسية

دعم الخلفيات المتعددة: متوافق مع النماذج المحلية (Ollama, vLLM) وخدمات API (OpenAI, OpenRouter).
التعلم من المحاولة الصفرية (Zero-Shot Learning): يستفيد من المعرفة العالمية المسبقة للنماذج التأسيسية، مما يلغي الحاجة إلى بيانات تدريب موسومة.
التصميم المعياري: تُعرف كتيبات التعليمات بملفات YAML، مما يسمح بتخصيص معايير المخاطر بسهولة دون الحاجة لإعادة التدريب.

3. الإعداد التجريبي

مجموعة البيانات: أربع مجموعات سكانية متميزة تمثل طيف المخاطر:
1. الأسماء النظيفة: باحثون أكاديميون من DBLP (مخاطر منخفضة).
  ോടെ الأشخاص ذوو التعرض السياسي (PEPs): من OpenSanctions (مخاطر منخفضة/متوسطة).
2. قوائم المراقبة التنظيمية (RW): أفراد لديهم إجراءات أو غرامات تنظيمية (مخاطر متوسطة).
3. الأشخاص الخاضعون للعقوبات (SDN): مواطنون محددون بأسماء خاصة من قبل مكتب مراقبة الأصول الأجنبية OFAC (مخاطر عالية).
النماذج التي تم تقييمها: Grok 4.1 Fast، وGemini 2.5 Flash، وGPT-4.1-Mini (عبر OpenRouter).
المقاييس: الفصل بين الدرجات (متوسط الفرق بين المجموعات السكانية)، تحليل التوزيع (ECDF)، جودة التبرير، والكفاءة.

4. النتائج الرئيسية

الفصل بين المخاطر: أظهرت جميع النماذج فصلاً واضحاً بين المجموعات منخفضة المخاطر (Clean) وعالية المخاطر (SDN).
- الأسماء النظيفة: تراوحت متوسط درجاتها بين 0.015 و0.029 (إيجابيات كاذبة منخفضة جداً).
- أسماء SDN: تراوحت متوسط درجاتها بين 0.730 و0.863 (كشف عالي للمخاطر).
- المجموعات المتوسطة: أظهرت مجموعات PEP وRW درجات متدرجة (0.06–0.18)، مما يعكس بدقة مستويات مخاطرها المتوسطة.
أداء النماذج:
- حقق Grok 4.1 Fast أقوى فصل، حيث سجل أعلى متوسط لـ SDN بلغ (0.863) وأكثر منحنيات ECDF حدة للأفراد منخفضي المخاطر.
- أظهر GPT-4.1-Mini تسجيلاً أكثر تحفظاً (متوسط SDN قدره 0.730)، مما قد يقلل الإيجابيات الكاذبة على حساب الحساسية.
القابلية للتفسير: نجح النظام في توليد مبررات باللغة الطبيعية لكل درجة، مما يسمح للمراجعين البشريين بالتحقق من المنطق.

5. المساهمات الرئيسية

بنية الوكيل (Agentic Architecture): خط عمل مبتكر وشامل لأتمتة فحص الوسائط السلبية باستخدام وكلاء النماذج اللغوية الكبيرة مع تقنية RAG.
التقييم متعدد الأبعاد: إطار عمل يقيم بشكل منفصل مطابقة الهوية، وسلبية المشاعر، ومخاطر النشاط، ويجمعها في درجة AMI واحدة.
تنفيذ مفتوح المصدر: نظام مرن يدعم خلفيات متنوعة للنماذج اللغوية الكبيرة (محلية وAPI) ونماذج تضمين مختلفة، مما يعزز قابلية إعادة الإنتاج.
تقييم شامل: دراسة مقارنة صارمة عبر أربع مجموعات سكانية متميزة وثلاثة من أحدث النماذج اللغوية الكبيرة.

6. الأهمية والقيود

الأهمية:

الفهم السياقي: على عكس أنظمة الكلمات المفتاحية، يمكن لوكيل النموذج اللغوي الكبير التمييز بين "الاعتقال بتهمة الاحتيال" و"الاعتقال لتطوير مشروع ما"، مما يقلل بشكل كبير من الإيجابيات الكاذبة.
الامتثال التنظيمي: يوفر النظام مبررات قابلة للتفسير، مما يخلق مسار تدقيق ضروري للدفاع التنظيمي واتخاذ القرار القائم على تدخل العنصر البشري.
القابلية للتكيف: يسمح نهج كتيب التعليمات للمؤسسات بتكييف عملياتها مع اللوائح المتغيرة (مثل متطلبات AMLR الجديدة) دون الحاجة لإعادة تدريب النماذج.

القيود:

الاعتماد على محرك البحث: تعتمد الفعالية على خوارزميات الفهرسة والترتيب الخاصة بمحرك البحث؛ فقد يتم تفويت الوسائط السبية غير المفهرسة أو ذات التصنيف المنخفض.
تمييز الكيانات: رغم التحسن، لا يزال التمييز بين الأفراد ذوي الأسماء الشائعة يمثل تحدياً بدون بيانات وصفية إضافية (مثل تاريخ الميلاد).
الهلوسة (Hallucinations): رغم أن تقنية RAG تخفف من ذلك، إلا أن النماذج قد تولد مبررات تبدو منطقية ولكنها غير صحيحة واقعياً، مما يستلزم مراجعة بشرية للقرارات عالية الخطورة.
القيود اللغوية: التنفيذ الحالي باللغة الإنجليزية فقط؛ ويتطلب الفحص متعدد اللغات مزيداً من التطوير.
التحيز الزمني: يعامل النظام جميع المحتويات المسترجعة بالتساوي، ويفتقر إلى آلية لوزن المعلومات الحديثة بشكل أكبر من البيانات التاريخية.

الخاتية

تثبت الورقة أن أطر عمل النماذج اللغوية الكبيرة القائمة على الوكلاء تقدم بديلاً متفوقاً لأنظمة الفحص التقليدية القائمة على الكلمات المفتاحية، وذلك من خلال الجمع بين الأتمتة والاستدلال السياقي العميق والقابلية للتفسير. لقد نجح وكيل AMI في التمييز بين مستويات المخاطر عبر مجموعات سكانية متنوعة، مما يوفر حلاً قابلاً للتوسع والشفافية والتكيف للامتثال الحديث لمكافحة غسل الأموال.