PayGuard AI: An Explainable Hybrid Framework for Corporate Payment-Anomaly Detection and Working-Capital Decision Support
تقدم هذه الورقة PayGuard AI، وهو إطار عمل هجين قابل للتفسير يدمج قواعد الأعمال، وتعلم الآلة، والمحاكاة الإحصائية للكشف عن شذوذ المدفوعات ودعم قرارات رأس المال العامل، مما أظهر دقة عالية وقابلية للتفسير على بيانات معاملات اصطناعية مع الإقرار بالحاجة إلى التحقق من صحتها في العالم الحقيقي.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
تنقل الشركات يومياً مبالغ طائلة من الأموال لسداد ثمن السلع والخدمات، وهي عملية تُعرف باسم "حسابات الدفع" (Accounts Payable). تتضمن هذه الدورة العمل تشييك الفواتير، ومطابقتها مع أوامر الشراء، وإرسال المدفوعات إلى الموردين. وبينما يحافظ هذا النظام على سير الأعمال، فإنه يمثل أيضاً هدفاً رئيسياً للاحتيال؛ إذ يمكن لجهات سيئة النية إدراج فواتير مكررة، أو انتحال صفة موردين شرعيين، أو تعديل تفاصيل الحسابات المصرفية لسرقة الأموال. تقليدياً، اعتمدت الشركات على أنظمة جامدة قائمة على القواعد لاكتشاف هذه الأخطاء. تعمل هذه الأنظمة مثل قائمة مراجعة: فإذا تجاوز مبلغ الفاتورة أمر الشراء بنسبة مئوية معينة، أو إذا تم سداد دفعة في عطلة نهاية الأسبوع، يقوم النظام بوضع علامة عليها للمراجعة البشرية. ومع ذلك، فإن هذه القواعد محدودة؛ فهي قادرة فقط على رصد الأخطاء المحددة التي تمت برمجتها للعثور عليها، مما يجعلها عاجزة عن رؤية الحيل الجديدة والذكية التي يبتكرها المحتالون.
وللتغلب على هذه القيود، اتجه الباحثون إلى تعلم الآلة، حيث تتعلم الحواسيب رصد الأنماط غير العادية من خلال دراسة آلاف المعاملات السابقة. ومع ذلك، غالباً ما تعمل هذه الأنظمة المتقدمة كـ "صناديق سوداء"، حيث تقدم تحذيراً دون توضيح سبب قلقها. وفي البيئات المالية عالية المخاطر، فإن معرفة سبب كون الدفعة مشبوهة لا تقل أهمية عن معرفة أنها مشبوهة. علاوة على ذلك، عندما يتم وضع علامة على دفعة ما، تواجه الفرق المالية معضلة صعبة: إما تأخير الدفعة للتحقيق فيها والمخاطرة بالإضرار بالعلاقة مع المورد، أو دفعها والمخاطرة بفقدان المال. ويكمن التحدي في بناء نظام لا يكتفي فقط برصد الشذوذ، بل يشرح أسبابه، ويحدد مدى تأكده، ويساعد القادة على فهم الأثر المالي لقراراتهم.
في دراسة حديثة، قدمت الباحثة المستقلة تانيسي داس إطار عمل جديداً يسمى "PayGuard AI"، صُمم لسد الفجوة بين الكشف الآلي واتخاذ القرار البشري. وبدلاً من الاعتماد على طريقة واحدة، يجمع هذا النظام بين شفافية قواعد الأعمال التقليدية وقدرة تعلم الآلة على التكيف. اختبر الباحثون إطار العمل هذا باستخدام مجموعة مصممة بعناية من 5,600 دفعة مورد محاكية. وضمن مجموعة البيانات الاصطناعية هذه، زرعوا عمداً 280 نوعاً محدداً من حالات الشذوذ، مثل الفواتير المكررة بدقة، أو المدفوعات التي تمت إلى حساب مصرفي خاطئ، أو الفواتات التي كانت أعلى بكثير من الطلب الأصلي. ولأن الباحثين كانوا يعرفون بالضبط أي المعاملات كانت "مزيفة"، فقد استطاعوا اختبار مدى كفاءة النظام في تحديدها بدقة.
يعمل إطار عمل "PayGuard AI" عبر طبقات. أولاً، يطبق مجموعة من قواعد الأعمال الواضحة والمفهومة للبحث عن العلامات الحمراء المعروفة، مثل إجراء دفعة يوم السبت أو تجاوز مبلغ الفاتورة لأمر الشراء. وفي الوقت نفسه، يقوم نموذج تعلم آلة يسمى "الغابة المنعزلة" (Isolation Forest) بتحليل البيانات للعثور على المعاملات التي تبدو غريبة إحصائياً مقارنة بالسلوك الطبيعي، حتى لو لم تخرق قاعدة محددة. ثم يدمج النظام هذين المصدرين من الأدلة في درجة مخاطر واحدة. وإذا أدت معاملة ما إلى تفعيل قاعدة معينة وبدت أيضاً غير عادية إحصائياً، فإنها تحصل على درجة أعلى وتُعطى الأولوية للمراجعة البشرية. والأهم من ذلك، أن النظام لا يكتفي بإخراج رقم فحسب؛ بل يقدم شرحاً بلغة بسيطة حول القواعد التي تم خرقها ومدى غرابة المعاملة، مما يسمح للمحقق البشري بفهم السياق بسرعة.
عند اختباره على الجزء غير المرئي من البيانات المحاكية، حقق النظام الهجين دقة عالية. فقد نجح في تحديد حوالي ثلثي حالات الشذوذ المزروعة مع الحفاظ على معدل منخفض جداً من الإنذارات الكاذبة، حيث لم يضع علامات إلا على حوالي 4 من كل 100 معاملة مشروعة. كان النظام فعالاً بشكل خاص في رصد أنواع معينة من الاحتيال، مثل المدفوعات التي تمت إلى حسابات مصرفية تغيرت مؤخراً أو الفواتير ذات العملات غير المتطابقة، حيث حقق معدل كشف كاملاً. ومع ذلك، كشفت الدراسة أيضاً أن النظام واجه صعوبة في رصد بعض الأنماط الدقيقة، مثل الفواتير المكررة بدقة أو المدفوعات التي تمت بسرعة غير معتادة، مما يشير إلى أنه لا يوجد نظام واحد مثالي وأن الإشراف البشري يظل ضرورياً.
وبعيداً عن مجرد وضع علامات على المعاملات المشبوهة، يضيف إطار العمل طبقة من الاستدلال الإحصائي لمساعدة البشر على الثقة في النتائج. فهو يستخدم طريقة تسمى "الاستدلال البايزي" (Bayesian inference) لتقدير مدى ثقة النموذج في تنبؤاته. وبدلاً من تقديم إجابة واحدة ثابتة، فإنه يوفر نطاقاً من الاحتمالات، مما يساعد الفرق المالية على التمييز بين تنبيه عالي المخاطر مؤكد جداً وتنبيه أكثر غموضاً. كما أظهر الباحثون كيف يمكن استخدام هذه البيانات للتخطيط المالي الأوسع؛ فمن خلال إجراء آلاف عمليات المحاكاة، أوضحوا كيف يمكن أن يؤثر تأخير المدفوعات للتحقيق في الاحتيال على التدفق النقدي للشركة، مع موازنة الوفورات المحتملة من الاحتفاظ بالمال مقابل خطر فقدان خصومات الدفع المبكر أو إزعاج الموردين.
تخلص الدراسة إلى أنه بينما يوفر هذا النهج الهجين نموذجاً قوياً لإثبات المفهوم لتحديث الكشف عن الاحتيال، فإنه ليس جاهزاً بعد للنشر في العالم الحقيقي دون مزيد من الاختبار. لقد تم إنشاء النتائج باستخدام بيانات اصطناعية، والتي رغم واقعيتها، لا يمكنها استيعاب الطبيعة المعقدة والمتطورة للاحتيال المؤسسي الفعلي. ويؤكد الباحثون أن الأرقام والعتبات المحددة المستخدمة في التجربة صُممت لأغراض الاختبار، وسيتعين معايرتها بعناية من قبل المؤسسات الفردية بناءً على قدرتها على تحمل المخاطر وأهدافها المالية. ومع ذلك، يمثل "PayGuard AI" مساراً واعداً للمستقبل: نظام لا يكتفي بالعثور على الأخطاء، بل يشرحها، ويحدد درجة عدم اليقين فيها، ويساعد الشركات على اتخاذ قرارات أكثر ذكاءً واستنارة بشأن أموالها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.