A decentralized multi-agent framework integrating interpretable machine learning for automated warranty fraud detection in supply chains

في الشبكة المعقدة والواسعة لسلاسل التوريد الحديثة، حيث تنتقل البضائع من المصانع إلى الرفوف، يحدث استنزاف صامت للموارد كل يوم: مطالبات الضمان الاحتيالية. عندما يقدم العميل طلباً للإصلاح أو الاستبدال بموجب الضمان، يجب على الشركات التحقق من أن المطالبة حقيقية. تقليدياً، اعتمد هذا التحقق على مدققين بشريين يفحصون الأوراق أو قواعد حاسوبية جامدة تضع علامات على أي شيء غير عادي. ومع ذلك، مع زيادة تطور المحتالين، تكافح هذه الأساليب القديمة لمواكبة التطور، وغالباً ما تفشل في كشف الحيل الذكية أو تضيع الوقت في أخطاء بريئة. ولحل هذه المشكلة، يتجه الباحثون إلى نوع جديد من الذكاء الحاسوبي الذي يجمع بين فكرتين قويتين. الأولى هي تعلم الآلة، حيث تتعلم الحواسيب رصد الأنماط في البيانات تماماً كما يتعلم الإنسان من الخبرة، ولكن بسرعة ونطاق لا يمكن لأي شخص مضاهاةتهما. والثانية هي نظام متعدد الوكلاء (multi-agent system)، وهو في الأساس فريق من البرامج الحاسوبية المستقلة، أو "الوكلاء"، الذين يعملون معاً لحل مشكلة ما، حيث يتولى كل منهم جزءاً محدداً من المهمة مع التواصل مع الآخرين. والهدف هو بناء نظام لا يتميز بالسرعة والدقة فحسب، بل يتسم أيضاً بالشفافية، مما يسمح للبشر بفهم السبب الدقيق وراء تصنيف الحاسوب لمطالبة ما بأنها مشبوهة، وبالتالي الحفاظ على الثقة في القرار المؤتمت.

لقد طور فريق من الباحثين من جامعات في فلسطين وتركيا إطار عمل جديد يجمع هذه المفاهيم خصيصاً للاحتيال في الضمان. يعالج عملهم فجوة حرجة في كيفية إدارة الشركات لمطالبات الضمان. وبينما يُستخدم الذكاء الاصطناعي للكشف عن الاحتيال في مجالات المصارف والتأمين، فإن تطبيق ذلك في العالم المعقد لضمانات المنتجات كان صعباً، ويرجع ذلك أساساً إلى أن الأنظمة الحالية غالباً ما تكون مركزية، مما يعني أنها تعتمد على حاسوب واحد قوي يمكن أن يصبح عائقاً، كما أنها تعمل كـ "صناديق سوداء" لا تقدم أي تفسير لقراراتها. اقترح الباحثون نهجاً مختلفاً: نظام لامركزي حيث تتعاون وكلاء مستقلة لفرز وتحليل وتسوية المطالبات. ولاختبار هذه الفكرة، أنشأوا بيئة محاكاة باستخدام مجموعة بيانات اصطناعية تضم 1,000 سجل ضمان. تم تصميم مجموعة البيانات هذه بعناية لمحاكاة أنماط العالم الحقيقي، بما في ذلك تفاصيل محددة مثل قيمة المطالبة، وعمر المنتج، ومكان الشراء، والمنطقة الجغرافية للمشتري. وفي هذه المحاكاة، قاموا ببرمجة الوكلاء للبحث عن علامات الاحتيال، مثل مبالغ المطالبات المرتفعة بشكل غير عادي لمنتجات قديمة جداً، أو المشتريات التي تمت مباشرة من المصنعين بدلاً من الوكلاء.

يعتمد قلب نظامهم على نوعين مختلفين من نماذج تعلم الآلة اللذين يعملان جنباً إلى جنب. أحد النماذج، المعروف باسم "الغابة العشوائية" (Random Forest)، يعمل كمُتنبئ عالي الدقة؛ فهو يحلل البيانات لإيجاد روابط معقدة وغير خطية بين العوامل المختلفة، مثل كيف يمكن أن يشير الجمع بين السعر المرتفع وعمر المنتج القديم إلى وجود احتيال. وفي اختباراتهم، حدد هذا النموذج المطالبات الاحتيالية بشكل صحيح بنسبة 94% من المرات. أما النموذج الثاني، وهو "الانحدار اللوجستي" (Logistic Regression)، فيؤدي غرضاً مختلفاً؛ فرغم أنه أقل دقة بنسبة نجاح تبلغ 88%، إلا أنه أبسط وأسهل في الفهم من قبل البشر، حيث يقدم تفسيراً منطقياً واضحاً لسبب وسم المطالبة، موضحاً بالضبط أي العوامل ساهمت في اتخاذ القرار. وباستخدام كلا النموذجين، يحصل النظام على أفضل ما في العالمين: الدقة العالية اللازمة لكشف الاحتيال والشفافية المطلوبة لإبقاء المديرين البشريين في المسار الصحيح. ووجد الباحثون أن أهم المؤشرات على الاحتيال كانت القيمة النقدية للمطالبة، وعمر المنتج، ومصدر الشراء. فعلى سبيل المثال، كانت المطالبات الخاصة بمنتجات تتجاوز أعمارها خمس سنوات أكثر عرضة للاحتيال بكثير، كما أظهرت المطالبات المتعلقة بالسلع المشتراة مباشرة من المصنع معدل احتيال أعلى مقارنة بتلك المشتراة من الوكلاء.

ولرؤية كيفية أداء إطار العمل هذا في سير عمل واقعي، قام الباحثون بمحاكاة العملية بأكملها لمعالجة مطالبات الضمان. وقارنوا نظامهم متعدد الوكلاء الجديد مقابل التدقيق اليدوي التقليدي والأساليب القائمة على القواعد. أظهرت النتال تحسناً كبياً في السرعة؛ ففي المحاكاة، عالج النظام المؤتمت المطالبات في حوالي 10 دقائق في المتوسط، بينما استغرقت الطرق التقليدية ما بين 15 إلى 20 دقيقة لكل مطالبة، وهذا يمثل انخفاضاً بنسبة 35% في وقت المعالجة. حقق النظام ذلك من خلال توزيع العمل بين خمسة وكلاء متخصصين: يقوم وكيل واحد بفرز المطالبات الواردة ووسم تلك التي تبدو مشبوهة بناءً على حدود بسيطة، مثل تجاوز قيمة المطالبة لمبلغ معين. ثم يطبق وكيل آخر نماذج تعلم الآلة لحساب درجة خطر الاحتيال. وإذا تم وسم مطالبة بأنها عالية المخاطر، يتدخل وكيل ثالث لإدارة التسوية، ويتواصل مع العملاء أو الموردين لجمع المزيد من المعلومات. ويقوم وكيل رابع بجمع كافة البيانات لتحديث معرفة النظام، بينما يقوم وكيل مشرف خامس بمراقبة العملية بأكملها لضمان سير كل شيء بسلاسة وللتدخل إذا استدعى الأمر مراجعة بشرية. يسمح هذا الهيكل للنظام بالتعامل مع حجم هائل من المطالبات في وقت واحد، والتوسع بسهولة دون تباطؤ، وهو أمر تعاني منه الأنظمة المركزية.

كما أولى الباحثون اهتماماً كبياً للآثار الأخلاقية والقانونية لعملهم. ففي العديد من الصناعات، يجب أن تكون القرارات المؤتمتة قابلة للتفسير للامتثال للوائح وللحفاظ على الثقة مع العملاء. ويعالج النظام الذي بنوه ذلك من خلال دمج القابلية للتفسير مباشرة في العملية؛ ففي كل مرة يحدد فيها النظام مطالبة ما، فإنه يولد تفسيراً قابلاً للقراءة البشرية يوضح بالتفصيل العوامل، مثل عمر المنتج أو موقع الشراء، التي أدت إلى ذلك القرار. وهذا يضمن أن النظام ليس مجرد "صندوق أسود" غامض، بل هو أداة تدعم الإشراف البشري. وقد صُمم إطار العمل للامتثال لمعايير حماية البيانات الرئيسية، مما يضمن حماية خصوصية العملاء وبقاء النظام عادلاً وغير منحاز. وتُقر الدراسة بأنه نظراً لاعتمادها على مجموعة بيانات اصطناعية بدلاً من بيانات حقيقية من الشركات، فإن النتائج هي بمثابة إثبات للمفهوم. لقد سمحت البيانات الاصطناعية للباحثين بالتحكم في المتغيرات واختبار منطق النظام في بيئة آمنة، لكن الخطوة التالية ستكون التحقق من هذه النتائج باستخدام بيانات حقيقية من شركاء صناعيين.

في نهاية المطاف، يثبت هذا البحث أنه من الممكن بناء نظام مؤتمت للكشف عن الاحتيال يكون قوياً وجديراً بالثقة في آن واحد. فمن خلال الجمع بين القوة التنبؤية لتعلم الآلة المتقدم وكفاءة التعاون لنظام الوكلاء المتعددين، أنشأ الباحثون إطار عمل أسرع، وأكثر قابلية للتوسع، وأكثر شفافية من الأساليب الحالية. وتشير النتائج إلى أن المصنعين يمكنهم تقليل الوقت والتكلفة المرتبطين بالاحتيال في الضمان بشكل كبير مع الحفاظ على الإشراف البشري الضروري لاتخاذ القرارات الأخلاقية. يسلط العمل الضوء على التحول نحو الأنظمة الذكية التي لا تحل محل الحكم البشري بل تعززه، وتوفر رؤى واضحة وقابلة للتنفيذ تسمح للشركات بحماية مواردها دون المساس بعلاقتها مع عملائها. ومع استمرار نمو تعقيد سلاسل التوريد، توفر مثل هذه الأنظمة مساراً واعداً، محولةً تحدي الكشف عن الاحتيال إلى فرصة لتحقيق كفاءة تشغيلية ومرونة أكبر.