Explainable Artificial Intelligence for Anomaly Detection in Banking Transactions: An Internal Audit Perspective
यह शोध पत्र बैंकिंग लेनदेन में धोखाधड़ी का पता लगाने के लिए पारदर्शिता, सटीकता और ऑडिटर के विश्वास को बढ़ाने हेतु आइसोलेशन फॉरेस्ट (Isolation Forest) विसंगति पहचान, SHAP-आधारित स्पष्टीकरण और एक स्ट्रीमलिट (Streamlit) डैशबोर्ड को संयोजित करने वाले एक व्याख्यात्मक एआई (Explainable AI) ढांचे को प्रस्तुत करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
पैसे की डिजिटल दुनिया की कल्पना एक विशाल, हलचल भरे शहर के रूप में करें जहाँ हर दिन अदृश्य सुरंगों से अरबों सिक्के दौड़ते हैं। इस शहर में, बैंक द्वारपाल (gatekeepers) हैं, जो चोरों द्वारा चोरी करने से पहले ही उन्हें पकड़ने की कोशिश करते हैं। लंबे समय तक, इन द्वारपालों ने सरल नियमपुस्तिकाओं का उपयोग किया: "यदि कोई लेनदेन रात 3 बजे होता है, तो उसे रोक दें!" या "यदि राशि $10,000 से अधिक है, तो उसे रोक दें!" लेकिन शहर बहुत बड़ा है और चोर बहुत चालाक हैं; ये पुराने नियम बहुत से निर्दोष लोगों को भी पकड़ लेते हैं (गलत अलार्म) और, इससे भी बदतर, वे यह नहीं समझा सकते कि उन्होंने किसी को क्यों रोका। यह एक सुरक्षा गार्ड की तरह है जो बिना यह बताए "रुको!" चिल्लाता है कि आपने क्या गलत किया।
यहीं पर एक्सप्लेनेबल आर्टिफिशियल इंटेलिजेंस (XAI) नामक एक नया विज्ञान आता है। सोचिए कि XAI कोई जादुई 'ब्लैक बॉक्स' नहीं है जो केवल उत्तर देता है, बल्कि एक जासूस है जो न केवल अपराध को सुलझाता है बल्कि एक स्पष्ट, चरण-दर-चरण रिपोर्ट भी लिखता है जो ठीक से समझाती है कि उसने अपराधी को कैसे खोजा। आप जो पेपर पढ़ने जा रहे हैं वह इस दुनिया में उतरता है, जो आइसोलेशन फॉरेस्ट (Isolation Forest) नामक एक स्मार्ट पैटर्न-पहचानने वाले टूल (जो चीजों को भीड़ से अलग करके अजीब चीजों को ढूंढता है) को SHAP नामक एक गणितीय पद्धति (जो एक आवर्धक लेंस की तरह काम करता है, जो यह दिखाता है कि कौन से सुराग—जैसे कि एक अजीब समय या एक बड़ी राशि—ने कंप्यूटर को संदिग्ध बनाया) के साथ जोड़ता है। इसका लक्ष्य बैंक ऑडिटरों (जो मानव जांचकर्ता हैं) की मदद करना है ताकि वे जटिल कोड में खोए बिना कंप्यूटर के संदेहों पर भरोसा कर सकें और बुरे लोगों को पकड़ सकें।
द पेपर: बैंक ऑडिटरों के लिए एक जासूसी किट
"एक्सप्लेनेबल आर्टिफिशियल इंटेलिजेंस फॉर एनोमली डिटेक्शन इन बैंकिंग ट्रांजेक्शन" (Explainable Artificial Intelligence for Anomaly Detection in Banking Transactions) नामक पेपर में, लेखिका अनुप लोधी बैंकिंग की दुनिया में एक कठिन समस्या का समाधान करती हैं। बैंक डेटा में डूब रहे हैं, जिसमें प्रतिदिन अरबों लेनदेन होते हैं, और उन्हें उन कुछ लेनदेनों को खोजने की आवश्यकता है जो धोखाधड़ी वाले हैं। समस्या यह है कि स्मार्ट कंप्यूटर प्रोग्राम (मशीन लर्निंग) जो इन बुरे लेनदेनों को खोजने में अच्छे हैं, अक्सर "ब्लैक बॉक्स" होते हैं। वे कहते हैं, "यह लेनदेन बुरा है," लेकिन वे मानव ऑडिटर को यह नहीं बता पाते कि क्यों। बिना कारण के, ऑडिटर अपनी रिपोर्ट नहीं लिख सकते, और नियामक (regulators) यह सुनिश्चित नहीं कर सकते कि बैंक अपना काम ठीक से कर रहा है।
समाधान: तीन लोगों की एक टीम
लोधी एक नई प्रणाली का प्रस्ताव करती हैं जो तीन-सदस्यीय जासूसी टीम की तरह काम करती है, जिसे विशेष रूप से बैंकों की आंतरिक ऑडिट टीमों के लिए डिज़ाइन किया गया है:
- द स्पॉटर (The Spotter - आइसोलेशन फॉरेस्ट): यह रक्षा की पहली पंक्ति है। एक विशाल जंगल की कल्पना करें जहाँ हर पेड़ एक रास्ता है। सामान्य लेनदेन एक साथ चल रही भीड़ की तरह हैं; वे जंगल से गुजरने के लिए एक लंबा, घुमावदार रास्ता लेते हैं। विसंगतियां (धोखाधड़ी करने वाले) आउटलेयर की तरह हैं; वे इतने अजीब हैं कि वे जल्दी अलग हो जाते हैं, जिससे उनका रास्ता बहुत छोटा होता है। आइसोलेशन फॉरेस्ट एल्गोरिदम इस विचार का उपयोग संदिग्ध लेनदेन को फ्लैग करने के लिए करता है, बिना यह जाने कि "धोखाधड़ी" वास्तव में कैसी दिखती है। यह बस जानता है कि "सामान्य" क्या है और उन चीजों को पहचान लेता है जो फिट नहीं बैठतीं।
- द एक्सप्लेनर (The Explainer - SHAP): एक बार जब स्पॉटर किसी लेनदेन को फ्लैग कर देता है, तो एक्सप्लेनर कदम आगे बढ़ाता है। SHAP नामक पद्धति का उपयोग करते हुए (जो गेम थ्योरी नामक गणित की एक शाखा पर आधारित है), यह निर्णय को तोड़ता है। यह पूछता है, "धन की राशि ने इस फ्लैग में कितना योगदान दिया? समय ने कितना योगदान दिया?" यह प्रत्येक सुराग के लिए एक स्कोर देता है, एक डरावने कंप्यूटर नंबर को एक साधारण अंग्रेजी वाक्य में बदल देता है जैसे, "यह लेनदेन संदिग्ध है क्योंकि राशि बहुत बड़ी थी और यह एक असामान्य समय पर हुआ था।"
- द इंटरफेस (The Interface - स्ट्रीमलिट डैशबोर्ड): अंत में, टीम ने एक सरल, रंगीन डैशबोर्ड बनाया है। यह वह टूल है जिसका उपयोग मानव ऑडिटर वास्तव में करते हैं। इसके लिए उन्हें कोडिंग जानने या जटिल गणित समझने की आवश्यकता नहीं है। वे बस अपना डेटा अपलोड करते हैं, और डैशबोर्ड उन्हें जोखिम भरे लेनदेनों की एक सूची दिखाता है, जिसे "हाई रिस्क" या "लो रिस्क" के रूप में रंग-कोडित किया गया है, और उनके ठीक बगल में SHAP स्पष्टीकरण दिए गए हैं।
उन्होंने क्या पाया
लेखकों ने इस प्रणाली का परीक्षण एक सिंथेटिक डेटासेट (कंप्यूटर पर बनाया गया 10,000 बैंक लेनदेन का एक नकली सेट जो वास्तविक जीवन की नकल करता है) का उपयोग करके किया। उन्होंने इस परीक्षण के लिए वास्तविक बैंक डेटा का उपयोग नहीं किया, लेकिन उन्होंने यह देखने के लिए सावधानीपूर्वक 500 "नकली" धोखाधड़ी वाले लेनदेन (कुल का 5%) डाले कि क्या सिस्टम उन्हें ढूंढ सकता है।
यहाँ के परिणाम सीधे पेपर से हैं:
- नए सिस्टम (आइसोलेशन फॉरेस्ट + SHAP) ने 0.91 प्रिसिजन (precision) और 0.88 रिकॉल (recall) के साथ नकली धोखाधड़ी को पकड़ा।
- प्रिसिजन का अर्थ है कि जब सिस्टम ने कहा "यह धोखाधड़ी है," तो वह 91% बार सही था।
- रिकॉल का अर्थ है कि इसने डेटा में छिपे सभी नकली धोखाधड़ी में से 88% को सफलतापूर्वक खोज लिया।
- जब उन्होंने अन्य तरीकों (जैसे ऑटोएनकोडर्स और वन-क्लास SVM) के साथ इसकी तुलना की, तो नया सिस्टम बेहतर प्रदर्शन करता है। उदाहरण के लिए, ऑटोएनकोडर केवल 0.83 का F1-स्कोर (प्रिसिजन और रिकॉल का मिश्रण) तक पहुँचा, और वन-क्लास SVM इससे भी कम 0.77 था।
- महत्वपूर्ण रूप से, "एक्सप्लेनेबल" भाग (SHAP) जोड़ने से सिस्टम धीमा नहीं हुआ या इसकी सटीकता कम नहीं हुई। बिना स्पष्टीकरण परत वाला "स्टैंडर्ड आइसोलेशन फॉरेस्ट" भी बिल्कुल समान डिटेक्शन स्कोर (0.91 प्रिसिजन, 0.88 रिकॉल) रखता था, जो यह साबित करता है कि स्पष्टीकरण एक मुफ्त बोनस है जो प्रदर्शन को नुकसान नहीं पहुँचाता है।
मानवीय स्पर्श (The Human Touch)
पेपर ने केवल नंबरों को नहीं देखा; इसने वास्तविक लोगों से पूछा कि क्या यह वास्तव में मदद करता है। बैंकिंग ऑडिट के अनुभव वाले पांच पेशेवरों ने सिस्टम द्वारा उत्पन्न किए गए स्पष्टीकरणों को देखा। उन्होंने स्पष्टीकरण की गुणवत्ता को 5.0 में से 4.3 रेटिंग दी। ऑडिटरों ने कहा कि फीचर-लेवल स्पष्टीकरण होने से उन्हें वह "औचित्य वाली भाषा" (justificatory language) मिली जिसकी उन्हें अपनी रिपोर्ट लिखने के लिए आवश्यकता थी। इससे पहले, उन्हें यह अनुमान लगाने के लिए मजबूर होना पड़ता था कि किसी लेनदेन को क्यों फ्लैग किया गया है; अब, कंप्यूटर उन्हें ठीक से बताता है कि उन्हें कौन से सुराग लिखने हैं।
यह क्यों मायने रखता है (और यह क्या नहीं करता है)
यह पेपर सुझाव देता है कि हम AI को पारदर्शी बनाकर बैंक ऑडिटरों के लिए उपयोगी बना सकते हैं। यह इस विचार के विरुद्ध तर्क देता है कि हमें एक स्मार्ट कंप्यूटर और एक ऐसे इंसान के बीच चुनने की आवश्यकता है जो निर्णय को समझता है। इसके बजाय, आप दोनों को पा सकते हैं।
हालाँकि, हम इन परिणामों के बारे में कितने आश्वस्त हो सकते हैं, इसकी कुछ सीमाएँ हैं। अध्ययन ने एक सिंथेटिक डेटासेट का उपयोग किया, जिसका अर्थ है कि डेटा लेखकों द्वारा बनाया गया था, न कि वास्तविक बैंक के दैनिक संचालन से लिया गया था। जबकि परिणाम आशाजनक दिखते हैं, पेपर स्वीकार करता है कि वास्तविक बैंकिंग डेटा इस साफ-सुथरे, नकली संस्करण की तुलना में अधिक अव्यवस्थित और जटिल हो सकता है। सिस्टम का परीक्षण केवल चार विशिष्ट विशेषताओं (राशि, समय, आवृत्ति और स्थान परिवर्तन) के साथ किया गया था, जबकि वास्तविक बैंक सैकड़ों अलग-अलग चीजों को ट्रैक करने की आवश्यकता महसूस कर सकते हैं।
इन सीमाओं के बावजूद, पेपर निष्कर्ष निकालता है कि यह ढांचा एक व्यावहारिक कदम है। यह दिखाता है कि एक ऐसा टूल बनाना संभव है जो सटीक हो, उपयोग में आसान हो, और मानव ऑडिटर को कार्य करने का विश्वास दे। यह मशीन लर्निंग की जटिल दुनिया और बैंकिंग ऑडिट की व्यावहारिक, नियम-आधारित दुनिया के बीच एक सेतु है, यह सुनिश्चित करता है कि जब कंप्यूटर अलार्म बजाता है, तो प्रभारी मानव को पता होता है कि वह क्यों।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।