Machine learning reduces audit detection risk in 3.3 million public sector general ledger transactions

تخيل أنك محقق يحاول العثور على عملة مزيفة واحدة مخبأة وسط حقيبة ضخمة تحتوي على 3.3 مليون عملة حقيقية. في عالم التدقيق المالي، هذا هو التحدي اليومي: العثور على الأخطاء أو الاحتيال في أكوام هائلة من السجلات المالية. تقليديًا، استخدم المدققون طريقة تسمى "عينة الوحدة النقدية" (MUS). فكر في هذا الأمر كصائد كنز لا يحفر إلا في أكبر أكوام التراب وأكثرها وضوحًا، لأنه يفترض أن الذهب يجب أن يكون هناك. إنه يتجاهل جيوب الرمال الصغيرة والهادئة، مفترضًا أنها آمنة. ولكن ماذا لو كانت العملة المزيفة مختبئة في أحد تلك الجيوب الصغيرة التي تم تجاهلها؟ هذه هي المخاطرة: تفويت الأشياء السيئة لأنك نظرت فقط إلى الأشياء الكبيرة.

ولحل هذه المشكلة، يتجه العلماء إلى "تعلم الآلة" (Machine Learning)، وهو ما يشبه إعطاء المحقق مساعدًا آليًا فائق الذكاء ولا يكل. هذا المساعد يمكنه قراءة كل سجل في الحقيبة، وليس فقط السجلات الكبيرة. إنه يبحث عن الأنماط التي قد تخفى على العين البشرية، مثل إيقاع غريب في الأرقام أو معاملة تبدو "في غير مكانها". الهدف هو خفض "مخاطر الكشف"، وهي ببساطة فرصة أن يفتقد المحقق الجريمة. إذا استطاع الروبوت رصد العملة المزيفة في الجيب الصغير، يصبح التدقيق أكثر أمانًا وسرعة. يسأل هذا البحث سؤالًا كبيرًا: هل يمكن لهذا المساعد الآلي أن يجد الأخطاء في سجلات الأموال الحكومية الحقيقية بشكل أفضل من طريقة "الحفر في الأكوام الكبيرة" القديمة، وهل يمكنه شرح لماذا وجدها بطريقة يثق بها المدققون البشر؟

الماسح الخارق: كيف وجد الذكاء الاصطناعي الإبرة في كومة القش

في هذه الدراسة، قام فريق من الباحثين من منغوليا ببناء "ماسح خارق" مكون من أربع طبقات لفحص السجلات المالية لشركة مرافق طاقة عامة. لم يختبروا النظام على أرقام وهمية فحسب؛ بل غدّوه بمجموعة بيانات ضخمة وحقيقية تحتوي على 3,329,189 معاملة مالية فردية من ثلاث سنوات (2023، 2024، و2025). كان هذا جبلًا من البيانات يبلغ إجماليه 16.34 تريليون مونغول (MNT) (هذا مبلغ ضخم من التوغريك!).

الطريقة القديمة مقابل الطالط الجديدة
قارن الباحثون نظام تعلم الآلة الجديد الخاص بهم بالمعيار القديم، والذي يشبه طريقة "الحفر في الأكوام الكبيرة" المذكورة سابقًا. في الطريقة القديمة، يختار المدققون عينة عشوائية بنسبة 20% من الحسابات لفحصها. وجدت الدراسة أن هذه الطريقة القديمة تركت فجوة كبيرة: فقد كان لديها "مخاطر كشف" (احتمالية تفويت خطأ ما) تتراوح بين 38.05% و52.7%. وباللغة البسيطة، يعني هذا أنه في ما يقرب من نصف الحالات، قد تكون الطريقة القديمة قد أغفلت الاحتيال أو الأخطاء تمامًا.

أما نظام تعلم الآلة الجديد، فقد عمل مثل شبكة اصطادت كل شيء. لقد عالج كامل الـ 3.3 مليون معاملة في 4.5 ساعة فقط. ولوضع ذلك في السياق، لكانت الطريقة القديمة ستستغرق المدققين البشريين ما بين 310 و357 ساعة للقيام بنفس المهمة. هذا يمثل انخفاضًا بنسبة 98.7% في الوقت!

كيف تعلم الروبوت (بدون معلم)
عادةً، يتطلب تعليم الروبوت كيفية رصد الاحتيال إظهار آلاف الأمثلة على السجلات "الجيدة" و"السيئة" له أولاً. لكن في الحياة الواقعية، لا يعرف المدققون أي السجلات سيئة إلا بعد الانتهاء من عملية التدقيق. إنها معضلة "البيضة والدجاجة".

حل المؤلفون هذه المشكلة بحيلة ذكية تسمى نظام "التوسيم الذاتي" (Self-labeling). تخيل مجموعة من ثلاثة محققين مختلفين (غابة العزل - Isolation Forest، ودرجة Z - Z-score، وتحليل نسبة الدوران - Turn-ratio analysis) ينظرون إلى البيانات بشكل مستقل. إذا اتفق اثنان منهم على الأقل على أن سجلًا ما يبدو مشبوهًا، فإن النظام يصنفه كـ "شاذ". هذا يخلق مجموعة من بيانات التدريب من العدم، مما يسمح للروبوت الرئيسي (نموذج الغابة العشوائية - Random Forest) بتعلم كيفية رصد المخططين دون الحاجة إلى مفتاح إجابة مكتوب مسبقًا.

النتائج: تحسن بمقدار 19 ضعفًا
عندما اختبروا هذا النظام، كانت النتائج مذهلة. حقق نموذج الغابة العشوائية (Random Forest) درجة F1 بلغت 0.966 ومساحة تحت المنحنى (AUC) بلغت 0.999، مع تقليل "مخاطر الكشف" إلى 2.01% فقط. هذا يمثل تحسنًا بمقدار 19 ضعفًا عن الطريقة القديمة. ولإثبات أن هذا لم يكن مجرد حظ، أجروا اختبارًا إحصائيًا (اختبار ماكنيمار - McNemar's test) أظهر أنه مقابل كل خطأ واحد تم رصده بالطريقة القديمة، رصد نموذج تعلم الآلة الجديد 107 خطأ فات الطريقة القديمة. كانت الرياضيات واضحة جدًا لدرجة أن احتمال حدوث ذلك عن طريق الصدفة كان أقل من 0.001.

مفاجأة "قناع التجميع"
أحد الاكتشافات الأكثر إثارة للاهتمام في الورقة هو ما يسميه المؤلفون "تأثير قناع التجميع" (Aggregation Masking Effect). لقد اختبروا قاعدة كلاسيكية تسمى قانون بنفورد (Benford's Law)، والتي تتنبأ بكيفية بدء الأرقام (مثل عدد الـ 1، أو الـ 2، أو الـ 3 التي يجب أن تظهر في بداية الأرقام في الحياة الواقعية).

عندما نظروا إلى الـ 3.3 مليون معاملة فردية، كانت الأرقام غريبة وكسرت قانون بنفورد (وهي علامة على احتمالية التلاعب). ولكن، عندما قاموا بتجميع تلك المعاملات نفسها في ملخصات حسابات (مثل جمع كل المعاملات لحساب بنكي واحد)، اختفت الغرابة! بدت الأرقار طبيعية تمامًا.

الأمر يشبه إذا نظرت إلى حشد من الناس بشكل فردي، قد ترى بعضهم يرتدي قبعات حمراء وبعضهم يرتدي زرقاء. ولكن إذا التقطت صورة للحشد بأكم معًا من بعيد، ستندمج الألوان لتصبح رمادية مملة. وجدت الدراسة أنه إذا نظر المدققون فقط إلى "الصورة الرمادية" (ملخص الحساب)، فإنهم سيفقدون "القبعات الحمراء" (الاحتيال على مستوى المعاملة). وهذا يشير إلى أنه لضبط الاحتيال حقًا، يحتاج المدققون إلى النظر في المعاملات الفردية، وليس فقط الملخصات الكبيرة.

هل يمكن للروبوت أن يشرح نفسه؟
أحد المخاوف الرئيسية بشأن الذكاء الاصطناعي هو أنه "صندوق أسود" — يعطيك إجابة لكنه لا يخبرك لماذا. عالج الباحثون هذا الأمر بإضافة طبقة تترجم رياضيات الروبوت إلى "لغة المدققين". بدلًا من قول "الميزة X لها وزن مرتفع"، يقول النظام: "تم وضع علامة على هذا الحساب لأن الرصيد قفز بنسبة 847% في عام واحد، مما يكسر قواعد المعيار ISA 520".

وعندما راجع مدققون حقيقيون من المكتب الوطني للتدقيق هذه التفسيرات، قال 94% منهم إنها مثالية ويمكن استخدامها في التقارب الرسمية دون تغيير كلمة واحدة. وهذا يثبت أن الروبوت لا يخمن فحسب؛ بل يستنتج بطريقة يفهمها المهنيون البشر.

هل يعمل على بيانات أخرى؟
اختبر الفريق أيضًا ما إذا كان بإمكان روبوتهم التعامل مع بيانات من قطاعات أخرى (مثل دوائر حكومية مختلفة) دون إعادة تدريبه. وبينما كان يعمل بشكل أفضل على شركة مرافق الطاقة التي تدرب عليها، إلا أنه لا يزال يعمل بشكل أفضل بكثير من طريقة "عينة الـ 20%" في القطاعات الأخرى، حيث رصد معظم الأخطاء حتى بدون تدريب محدد على تلك المجموعات الجديدة.

الخلاصة
تظهر هذه الورقة أن تعلم الآلة ليس مجرد فكرة مستقبلية؛ بل هو أداة عملية يمكنها مسح 3.3 مليون معاملة في 4.5 ساعة، وإيجاد الأخطاء بـ فصل شبه مثالي (AUC=0.999) ودقة عالية (F1=0.966)، وشرح نتائجها بلغة بسيطة. كما يحذرنا من أن النظر إلى الملخصات الكبيرة ليس كافيًا — نحن بحاجة إلى التكبير والتركيز على التفاصيل الدقيقة للإمساك بالاحتيال المختبئ في الضجيج. لقد أصدر المؤلفون نظامهم أيضًا كبرنامج مفتوح المصدر ومجاني، لكي يتمكن المدققون الآخرون من استخدام هذا "الماسح الخارق" لجعل عالم الأموال العامة أكثر أمانًا.