Empowering Credit Risk Detection in Weixin Pay with Billion-Scale Deep Graph Learning
تقترح هذه الورقة إطار عمل لتعلم الرسوم البيانية المتداخلة والمدرك للمخاطر، والذي يوازن بين توزيع الأحمال والحفاظ على أنماط مخاطر الذيل الطويل الحرجة من خلال أخذ العينات المقيدة بالميزانية ومحاذاة الاتساق عبر الرسوم البيانية الفرعية، مما يحسن بشكل كبير من كشف مخاطر الائتمان بمقياس المليارات لخدمة "وي شين باي" (Weixin Pay).
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 الإنترنت كمدينة ضخمة وصاخبة، حيث الجميع متصلون ببعضهم البعض. في هذه المدينة، يترك كل شخص وراءه آثار أقدام رقمية: ما يشترونه، ومن يتحدثون إليهم، وإلى أين يذهبون. في معظم الأوقات، تحكي هذه الآثار قصة عادية. ولكن في بعض الأحيان، يحاول قلة من الناس التسلل لسرقة الأموال أو خداع النظام. هذا ما يسمى "الاحتيال الائتماني"، وهو يشبه لعبة الغميضة حيث يكون الأشرار بارعين جداً في الاختباء. ولإمساكهم، كانت البنوك وتطبيقات الدفع تعتمد سابقاً على تتبع آثار أقدام الشخص نفسه فقط. لكن الأشرار أذكياء؛ فغالباً ما يعملون في مجموعات أو يختبئون في ظلال حياة الآخرين. لذا، بدأ العلماء في استخدام نوع خاص من الخرائط يسمى "الرسم البياني" (Graph). لا تفكر في الرسم البياني كمخطط بياني، بل كشبكة هائلة من الخيوط التي تربط الناس بالأحداث. إذا سحبت خيطاً واحداً، فإن الشبكة بأكملها ستتذبذب، مما يكشف عن أنماط مخفية. هذه هي قوة "الشبكات العصبية الرسومية" (GNNs)—فهي تشبه المحققين الأذكياء جداً الذين يمكنهم رؤية كيف يمكن لارتباطات الشخص أن تكشف ما إذا كان يخطط لأمر سيء.
ومع ذلك، هناك مشكلة كبيرة مع هذه الخرائط. في العالم الحقيقي، كما هو الحال في "وي شين باي" (Weixin Pay)، تكون الخريطة ضخمة لدرجة تضم مليارات الأشخاص والارتباطات. إنها ثقيلة جداً بحيث لا يستطيع حاسوب واحد استيعابها، تماماً مثل محاولة حمل المحيط بأكمله في كوب شاي. لذا، اضطر المهندسون إلى تقطيع الخريطة إلى قطع أصغر لتوزيع العمل على العديد من الحواسيب. لكن هنا تكمن العقبة: عندما تقطع خريطة إلى قطع، فإنك غالباً ما تقطع الخيوط ذاتها التي تربط الأشرار بالأدلة. الأمر يشبه محاولة حل لغز من خلال النظر إلى نصف مسرح الجريمة فقط؛ قد تفوتك أهم الأدلة. تقدم هذه الورقة البحثية طريقة جديدة لتقطيع الخريطة تحافظ على الخيوط المهمة سليمة دون جعل القطع ثقيلة جداً بحيث يصعب حملها.
قام الباحثون، بالتعاون مع "تنسنت وي شين باي" (Tencent's Weixin Pay)، بتطوير نظام ذكي يسمى RAOS (تعلم المخططات الفرعية المتداخلة الواعية بالمخاطر). تخيل أنك تقطع بيتزا ضخمة لتشاركها مع مجموعة من الأصدقاء. الطريقة القديمة كانت تتمثل في تقطيع البيتزا بدقة بحيث لا يحصل أي صديقان على نفس القطعة. ولكن إذا كان هناك "إضافة سيئة" (محتال) تقع تماماً على حافة قطعة ما، فقد يفتقدها الشخص الذي يحمل تلك القطعة لأن الإضافة كانت تقنياً في قطعة جاره. طريقة RAOS الجديدة تشبه تقطيع البيتزا مع وجود قدر من التداخل. أنت تعطي كل صديق قطعة، ولكنك تسمح له أيضاً بالإمساك بجزء صغير من قطعة جاره. بهذه الطريقة، إذا كانت هناك إضافة سيئة على الحافة، فإن كل من يقترب منها سيحظى بفرصة لرؤيتها.
لكن هناك خطراً: إذا أعطيت الجميع الكثير من قطعة جارهم، سينتهي الأمر بالكثير من الجبن والقشرة الزائدة التي لا تفيد (وهذا ما يسمى "الضجيج" و"التكرار"). لقد حل الفريق هذه المشكلة من خلال كونهم انتقائيين للغاية بشأن أي القطع الإضافية التي يضيفونها. لقد ركزوا على الارتباطات "طويلة الذيل" (long-tail connections)—وهي تلك الارتباطات الهادئة والأقل شهرة التي غالباً ما تحمل الأدلة السرية للاحتيال المخفي. استخدموا مرشحاً خاصاً (يعتمد على ما يسمى "مؤشر h") للعثور على هذه القطع المهمة ولكن المهملة وإضافتها إلى القطع، مع تجاهل الأجزاء الصاخبة وغير المهمة.
علاوة على ذلك، ولأن الشخص نفسه قد يظهر في قطعتين مختلفتين، فقد يرتبك الحاسوب ويعتقد أنه شخصان مختلفان بقصص مختلفة. ولإصلاح ذلك، أضاف الفريق خطوة "محاذاة الاتساق". إنها تشبه عقد اجتماع للفريق حيث يقارن الأصدقاء ملاحظاتهم حول الشخص الذي يظهر في كلتا القطعتين للتأكد من أنهم جميعاً متفقون على حقيقة هذا الشخص. هذا يضمن أن تكون الصورة النهائية واضحة ودقيقة.
عندما اختبروا هذا النظام الجديد على بيانات حقيقية من "وي شين باي"، والتي تشمل مئات الملايين من المستخدمين، كانت النتائج مبهرة. كانت الطريقة الجديدة أفضل بكثير في رصد المحتالين من الطرق القديمة لتقطيع الخريطة. لم تكتفِ فقط بالإمساك بالمحتالين الواضحين، بل كانت أيضاً أفضل بكثير في التنبؤ بمن قد يصبح محتالاً في المستقبل ("توقع المخاطر المستقبلية"). في الواقع، حسنت القدرة على رصد المستخدمين ذوي المخاطر بنسبة تزيد عن 10% مقارنة بالطريقة القياسية التي تكتفي بتقطيع الخريطة دون تداخل. والأكثر إثارة للدهشة، أن طريقتهم الجديدة كانت في الواقع أفضل في العثور على الاحتيال من محاولة النظر إلى الخريطة الكاملة دفعة واحدة، لأن نهج "الخريطة الكاملة" القديم كان يتشتت بسبب الكثير من الضجيج.
في العالم الحقيقي، يعني هذا خسارة أموال أقل في عمليات النصب ونظاماً مالياً أكثر أماناً للجميع. وضع الفريق هذا النظام قيد العمل في اختبار حي مع مستخدمين حقيقيين، وقد نجح في تحديد المزيد من المستخدمين ذوي المخاطر ومنع المزيد من الخسائر المالية مقارنة بالأنظمة السابقة. من خلال التداخل بعناية بين قطع اللغز والتأكد من أن الجميع متفقون على الصورة، تمكنوا من حل مشكلة كانت في السابق أكبر وأكثر تعقيداً مما يمكن للحواسيب التعامل معه بمفردها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.