Machine Learning Based Mobile Money Fraud Detection Using Behavioral and Agent Level Features in Zambia

في الاقتصادات الرقمية الصاخبة في أفريقيا، أصبحت الهواتف المحمولة أكثر من مجرد أدوات للتواصل؛ فهي تمثل الحسابات المصرفية الأساسية لملايين الأشخاص الذين لم يطأوا قدمهم داخل بنك تقليدي قط. فمن خلال قوائم بسيطة تعتمد على النصوص عبر أجهزة الهاتف الأساسية، يمكن للمستخدمين إيداع النقود، وإرسال الأموال إلى عائلاتهم، ودفع ثمن السلع. ويعتمد هذا النظام بشكل كبير على الوكلاء المحليين — أصحاب المتاجر والبائعين الذين يعملون كواجهة بشرية، حيث يقومون بتحويل النقود المادية إلى قيمة رقمية والعكس. ومع ذلك، فقد خلق هذا الشمول المالي السريع نوعًا جديدًا من الضعف. فتمامًا كما يتعلم اللصوص كيفية فتح الأقفال على الأبواب المادية، طور المحتالون طرقًا متطورة لاستغلال النظام الرقمي، وغالبًا عن طريق التلاعب بالوكلاء أنفسهم الذين كان من المفترض أن يسهلوا العملية. قد يقوم هؤلاء الفاعلون السيئون بخداع النظام لجعله يعتقد أن عملية ما قد تمت بينما لم تحدث في الواقع، أو قد ينشئون حلقات وهمية من الأموال فقط لجمع المكافآت المخصصة للأعمال المشروعة. ولسنوات، حاولت الشركات التي تدير هذه الشبكات وقف هذا السرقة باستخدام قواعد ثابتة، مثل حظر أي معاملة تتجاك مبلغ معين من الدولارات. لكن المحتالين أذكياء؛ فهم ببساطة يغيرون تكتيكاتهم للإفلات من الرادار، مما يجعل هذه القواعد الجامدة غير فعالة.

لقد وضع فريق من الباحثين في جامعة "مولونجوشي" في زامبيا هدفًا لحل هذه المشكلة من خلال تعليم الحواسيب كيف تفكر مثل المحققين البشريين. أرادوا معرفة ما إذا كان بإمكانهم بناء نظام لا يكتفي فقط بالنظر إلى أرقام معاملة واحدة، بل يفهم بدلاً من ذلك سلوك الأشخاص والوكلاء المعنيين. ولتحقيق ذلك، جمعوا مجموعة ضخمة من البيانات الواقعية: ما يقرب من عشرة آلاف معاملة من يوم واحد في فبراير ٢٠٢٦، شملت أكثر من ألف مستخدم وأكثر من مائة وكيل. وقد جُردت هذه البيانات بعناية من أي أسماء أو تفاصيل شخصية لحماية الخصوصية، تاركةً فقط أنماط الحركة. ثم قام الباحثون بتغذية هذه المعلومات في عدة أنواع مختلفة من نماذج تعلم الآلة. وهذه هي برامج حاسوبية مصممة لإيجاد الأنماط الخفية في البيانات، تمامًا كما قد ينظر شخص ما إلى حشد ويلاحظ الشخص الوحيد الذي يتحرك في اتجاه غريب. اختبر الفريق أربعة مناهج مختلفة، تتراوح من الأساليب الإحصائية البسيطة إلى الأنظمة الأكثر تعقيدًا التي تبني آلاف الأشجار القرارية لوزن كل عامل ممكن.

كان الاكتشاف الأكثر أهمية في عملهم هو أن النظر إلى الوكيل كان لا يقل أهمية عن النظر إلى العميل. في الماضي، كانت أنظمة كشف الاحتيال تركز في الغالب على المعاملة نفسها: كم من المال أُرسل، ومتى أُرسل، وما هو نوع التحويل. وجد الباحثون أن هذا النهج أغفل قدرًا هائلاً من عمليات الاحتيال. ومن خلال إضافة ميزات "على مستوى الوكيل" — وتحديدًا عدد المرات التي عكس فيها الوكيل معاملة ما وعدد المعاملات التي عالجها في يوم واحد — أصبح النظام أكثر فعالية بكثير. وجدوا أن معدل عمليات الإرجاع (العكس) المرتفع كان بمثابة علامة خطر كبرى. ففي نظام الأموال عبر الهاتف المحمول في زامبيا، يتقاضى الوكلاء عمولة صغيرة مقابل كل معاملة يساعدون في إتمامها. وقد اكتشف المحتالون أنه يمكنهم التلاعب بهذا النظام من خلال إنشاء معاملات وهمية ثم عكسها فورًا، لخداع النظام ليدفع لهم عمولات مقابل عمل لم يحدث في الواقع أصلًا. إن البرنامج الحاسوبي الذي ينظر فقط إلى مبلغ الدولار لعملية تحويل واحدة لن يتمكن أبدًا من كشف هذا، ولكن النظام الذي يلاحظ قيام وكيل فجأة بعكس عشرات المعاملات في ساعات قليلة يمكنه رصد المخطط فورًا.

وللتأكد من أن نماذجهم الحاسوبية تتعلم الأشياء الصحيحة وليس مجرد التخمين، استخدم الباحثون تقنية تعمل مثل كشاف الضوء، حيث تسلط الضوء بدقة على العوامل التي أثرت في قرار الحاسوب. ووجدوا أنه بينما كان حجم المعاملة مهمًا، إلا أن سلوك الوكيل كان غالبًا مؤشرًا أقوى على الاحتيال. وقد أثبت نموذج محدد، معروف بقدرته على التعامل مع البيانات المعقدة وغير المنتظمة، أنه الأكثر دقة. فقد نجح في تحديد نسبة مئوية أعلى بكast من حالات الاحتيال الفعلية مقارنة بالأنظمة القديمة القائمة على القواعد، مع الحفاظ أيضًا على انخفاض عدد الإنذارات الكاذبة. وهذا أمر بالغ الأهمية لأن النظام إذا صنف الكثير من الأبرياء كمجرمين، فإنه سيؤدي إلى إحباط المستخدمين وإبطاء الاقتصاد. كما توجب على الباحثين التعامل مع واقع صعب: وهو أن الاحتيال نادر للغاية، حيث يحدث في أقل من حالة واحدة من بين كل خمسمائة معاملة. ولتعليم الحاسوب كيفية رصد هذه الأحداث النادرة، استخدموا طريقة تنشئ أمثلة اصطناعية للاحتيال خلال مرحلة التدريب، مما ساعد النموذج على تعلم ما يجب البحث عنه دون الحاجة إلى ملايين من مشاهد الجرائم الحقيقية لدراستها.

تقدم نتائج هذه الدراسة مسارًا واضحًا لمشغلي الأموال عبر الهاتف المحمول في زامبيا والأسواق المماثلة. فالطريقة القديمة لمحاربة الاحتيال، والتي اعتمدت على قوائم ثابتة من القواعد، لم تعد كافية ضد تكتيكات المجرمين المتطورة. وبدلاً من ذلك، يكمن المستقبل في الأنظمة الديناميكية التي تراقب التغيرات في السلوك. فإذا بدأ وكيل يعالج عادةً تدفقًا مستقرًا من المبيعات المشروعة فجأة في عكس المعاملات بمعدل غير عادي، فيجب على النظام رصده فورًا. يحول هذا النهج كشف الاحتيال من لعبة تفاعلية من نوع "أمسك بي إن استطعت" إلى درع استباقي يفهم سياق كل تفاعل. ومن خلال التركيز على العنصر البشري — الوكلاء الذين يقفون في مركز الشبكة — يمكن لهذه الأدوات الجديدة حماية الأمن المالي للملايين من الناس، مما يضمن أن الثورة الرقمية تستمر في بناء الثقة بدلاً من تقويضها. وتؤكد الدراسة أنه مع البيانات الصحيحة والأدوات الصحيحة، من الممكن التفوق على المحتالين والحفاظ على سلامة الاقتصاد الرقمي للجميع.