Detecting Money Laundering in Rwandan Mobile Money: A Machine Learning Framework

उप-सहारा अफ्रीका की हलचल भरी डिजिटल अर्थव्यवस्थाओं में, मोबाइल फोन लाखों लोगों के लिए प्राथमिक बैंक बन गए हैं। ईंट-गारे वाली शाखा तक जाने के बजाय, व्यक्ति साधारण टेक्स्ट संदेशों और ऐप्स के माध्यम से नकद जमा करते हैं, रिश्तेदारों को पैसे भेजते हैं और वस्तुओं के लिए भुगतान करते हैं। इस बदलाव ने दूरदराज के गांवों में वित्तीय स्वतंत्रता तो लाई है, लेकिन इसने अपराधियों के लिए एक नया, विशाल परिदृश्य भी बना दिया है। जिस तरह भौतिक नकदी को सूटकेस में छिपाया जा सकता है या शेल कंपनियों के माध्यम से स्थानांतरित किया जा सकता है, उसी तरह डिजिटल धन को अवैध स्रोतों को छिपाने के लिए हजारों छोटी-छोटी लेनदेन के माध्यम से तेजी से घुमाया जा सकता है। यह प्रक्रिया, जिसे मनी लॉन्ड्रिंग (धन शोधन) कहा जाता है, मोबाइल मनी सिस्टम में पहचानना विशेष रूप से कठिन है क्योंकि गतिविधियों का भारी आयतन अत्यधिक है। एक ही दिन में लाखों छोटे हस्तांतरण देखे जा सकते हैं, जिससे मानव जांचकर्ताओं के लिए हर लेनदेन पर नज़र रखना लगभग असंभव हो जाता है। नियामकों के लिए चुनौती 'घास के ढेर में सुई' खोजने की है बिना खुद घास के नीचे दबे, जो एक ऐसा तरीका मांगता है जिससे एक सामान्य व्यक्ति द्वारा अपने पड़ोसी को पैसे भेजने और एक अपराधी द्वारा बड़ी राशि को छोटे, अनदेखे टुकड़ों में तोड़कर छिपाने के बीच अंतर किया जा सके।

रवांडा के शोधकर्ताओं ने इस समस्या से निपटने के लिए एक कंप्यूटर सिस्टम बनाने के साथ इस समस्या का समाधान किया है, जिसे इन डिजिटल लेनदेन के लिए एक अत्यधिक कुशल फिल्टर के रूप में कार्य करने के लिए डिज़ाइन किया गया है। रवांडा इस कार्य के लिए एक आदर्श परीक्षण स्थल के रूप में कार्य करता है क्योंकि इसके पास लाखों सक्रिय उपयोगकर्ताओं वाला एक विशाल मोबाइल मनी नेटवर्क है, फिर भी इसकी वित्तीय खुफिया टीम के पास अलर्ट की समीक्षा करने के लिए सीमित कर्मचारी हैं। शोधकर्ताओं को विशिष्ट बाधाओं का सामना करना पड़ा: अपराधी दुर्लभ हैं, जो लगभग एक हजार लेनदेन में से केवल एक का प्रतिनिधित्व करते हैं, और इस बारे में डेटा कि वास्तव में कौन दोषी है, अक्सर विलंबित या गायब होता है। इसे हल करने के लिए, टीम ने एक नए प्रकार का गणित आविष्कार करने की कोशिश नहीं की। इसके बजाय, उन्होंने एक व्यावहारिक ढांचा बनाया जो इस तरह से नकल करता है जैसे एक मानव जांचकर्ता सोचता है, लेकिन ऐसी गति और पैमाने पर जिसे एक मशीन संभाल सके। वे समय के साथ खाता धारक के व्यवहार पर ध्यान केंद्रित करते हैं, जैसे कि गतिविधि का अचानक उछाल, कई अलग-अलग लोगों से पैसा आना और फिर कुछ लोगों को बाहर जाना, या अजीब घंटों में लेनदेन होना। ये उन डिजिटल पदचिह्नों के समान हैं जो किसी ऐसे व्यक्ति के होते हैं जो अपने निशान छिपाने की कोशिश कर रहा है।

अपने सिस्टम को प्रशिक्षित करने के लिए, शोधकर्ताओं ने सिम्युलेटेड (कृत्रिम) लेनदेन के एक विशाल संग्रह का उपयोग किया। क्योंकि वास्तविक डेटा निजी और संवेदनशील होता है, उन्होंने एक सिंथेटिक डेटासेट बनाया जिसमें लगभग दस मिलियन लेनदेन शामिल थे, जिसमें विभिन्न प्रकार के मनी लॉन्ड्रिंग स्कीम्स के हजारों उदाहरण भी शामिल थे। इसने उन्हें वास्तविक लोगों की गोपनीयता को जोखिम में डाले बिना अपने विचारों का परीक्षण करने की अनुमति दी। उन्होंने कंप्यूटर को खाते के इतिहास को देखने के लिए इंजीनियर किया, जैसे कि पैसा कितनी तेजी से अंदर और बाहर जा रहा था, कम अवधि में कितने अलग-अलग लोग शामिल थे, और क्या नकदी का प्रवाह वापस स्वयं की ओर घूम रहा था। फिर उन्होंने यह देखने के लिए कई अलग-अलग कंप्यूटर मॉडल का परीक्षण किया कि कौन सा बुरे तत्वों को सबसे अच्छी तरह से पकड़ सकता है। सबसे सफल मॉडल एक प्रकार का लर्निंग सिस्टम था जो एक 'डिसीजन ट्री' बनाता है, जो हर एक लेनदेन को एक जोखिम स्कोर असाइन करने के लिए कई अलग-अलग कारकों को एक साथ तौलता है।

इस सिमुलेशन के परिणामों ने दिखाया कि कंप्यूटर मॉडल मानव जांचकर्ताओं के कार्यभार को काफी कम कर सकता है जबकि अपराधियों को पकड़ना भी जारी रख सकता है। एक ऐसी दुनिया में जहां एक पारंपरिक नियम-आधारित प्रणाली प्रतिदिन एक लाख से अधिक संदिग्ध लेनदेन को फ्लैग कर सकती है, जिससे एक छोटी टीम कागजी कार्रवाई में डूब सकती है, यह नया दृष्टिकोण अलर्ट की संख्या को प्रतिदिन केवल कुछ दर्जन तक कम कर देता है। विशेष रूप से, प्रत्येक दस हजार लेनदेन के लिए, सिस्टम ने एक से भी कम अलर्ट उत्पन्न किया जिसे मानव ध्यान की आवश्यकता थी। जब शोधकर्ताओं ने अपने सिस्टम को बहुत सख्त सेट किया, केवल सबसे संदिग्ध मामलों को फ्लैग करने के लिए, तो इसने परीक्षण डेटा में मौजूद लगभग 1,700 कुल लॉन्ड्रिंग मामलों में से लगभग चौंसठ वास्तविक लॉन्ड्रिंग प्रयासों को पकड़ा, जिसकी सटीकता दर बहुत अधिक थी। इसका मतलब है कि जब कोई अलर्ट आया, तो वह लगभग निश्चित रूप से जांच के योग्य था। सिस्टम ने हर एक अपराधी को नहीं पकड़ा, लेकिन इसने शोर को सफलतापूर्वक छान दिया, जिससे सीमित टीम को उन मामलों पर ध्यान केंद्रित करने की अनुमति मिली जो सबसे महत्वपूर्ण थे।

शोधकर्ताओं ने एक अधिक जटिल विचार का भी परीक्षण किया: मुख्य कंप्यूटर मॉडल को अन्य प्रणालियों के साथ जोड़ना जो अपराधी के स्वरूप को जाने बिना अजीब पैटर्न की तलाश करती हैं। उन्हें उम्मीद थी कि यह संयोजन और भी अधिक अपराधियों को पकड़ लेगा। हालांकि, सिमुलेशन ने एक आश्चर्यजनक सत्य प्रकट किया। इस विशिष्ट वातावरण में, अतिरिक्त प्रणालियों को जोड़ने से अधिक अपराधियों को खोजने में मदद नहीं मिली; इसने केवल अलर्ट की संख्या को थोड़ा कम किया, और ऐसा करने में, इसने कुछ वास्तविक मामलों को भी छोड़ दिया। मुख्य मॉडल पहले से ही ज्ञात पैटर्न को पहचानने में इतना अच्छा था कि अतिरिक्त प्रणालियों ने बहुत कम मूल्य जोड़ा। यह निष्कर्ष महत्वपूर्ण है क्योंकि यह सुझाव देता है कि इस प्रकार की समस्या के लिए, कई अलग-अलग उपकरणों के जटिल ढेर के बजाय एक एकल, अच्छी तरह से ट्यून किया गया मॉडल अक्सर बेहतर होता है। लक्ष्य हर एक अपराध को खोजना नहीं है, जो सीमित संसाधनों के साथ असंभव है, बल्कि सबसे संभावित वाले अपराधों को खोजना है ताकि जांच टीम कुशलतापूर्वक काम कर सके।

इस सिस्टम को वास्तविक दुनिया में उपयोग करने योग्य बनाने के लिए, शोधकर्ताओं ने कंप्यूटर के जोखिम स्कोर को मानव विश्लेषकों के लिए एक स्पष्ट वर्कफ़्लो में मैप किया। उन्होंने अलर्ट को चार श्रेणियों में विभाजित किया, जिसमें कम जोखिम वाले लेनदेन से लेकर तत्काल अधिकारियों को सूचित करने वाले महत्वपूर्ण मामलों तक शामिल हैं। जिन मामलों को फ्लैग किया जाता है, उनके लिए सिस्टम एक सरल स्पष्टीकरण प्रदान करता है, जो विश्लेषक को बताता है कि वह लेनदेन संदिग्ध क्यों था, जैसे कि "खाते को एक घंटे में पचास अलग-अलग लोगों से पैसा प्राप्त हुआ।" यह पारदर्शिता महत्वपूर्ण है क्योंकि नियामकों और बैंकों को ग्राहक के खिलाफ कार्रवाई करने से पहले अलर्ट के पीछे के तर्क को समझने की आवश्यकता होती है। शोधकर्ता इस बात पर जोर देते हैं कि यह कार्य एक ब्लूप्रिंट है कि इस तरह के सिस्टम को कैसे बनाया जाए, न कि वास्तविक धन के साथ तत्काल उपयोग के लिए तैयार एक अंतिम उत्पाद। उनके द्वारा प्राप्त संख्याएं सिमुलेशन पर आधारित हैं, और वास्तविक दुनिया के कार्यान्वयन के लिए रवांडा के बैंकों और मोबाइल नेटवर्क से वास्तविक डेटा के साथ परीक्षण और समायोजन की आवश्यकता होगी।

इस शोध का अंतिम लक्ष्य एक 'गवर्नेंस-अवेयर पाइपलाइन' प्रदान करना है जो मानव क्षमता की सीमाओं का सम्मान करती है। रवांडा जैसे देश में, जहाँ वित्तीय खुफिया केंद्र के पास जांचकर्ताओं की एक छोटी टीम है, यह सिस्टम एक 'फोर्स मल्टीप्लायर' के रूप में कार्य करता है। यह मानव जांचकर्ता की जगह नहीं लेता है; इसके बजाय, यह सुनिश्चित करता है कि जांचकर्ता का समय सबसे आशाजनक सुरागों पर खर्च हो। धन के प्रवाह और खातों के व्यवहार पर ध्यान केंद्रित करके, सिस्टम लाखों लेनदेन की असंभव कार्य को उच्च-प्राथमिकता वाले मामलों की एक प्रबंधनीय सूची में बदल देता है। अध्ययन यह निष्कर्ष निकालता है कि हालांकि कोई भी सिस्टम पूर्ण नहीं हो सकता है, लेकिन एक सावधानीपूर्वक डिज़ाइन किया गया मशीन लर्निंग दृष्टिकोण, जिसे स्थानीय नियामक की विशिष्ट बाधाओं के अनुरूप बनाया गया है, वित्तीय अपराध के खिलाफ लड़ाई को प्रभावी और टिका योग्य बना सकता है। आगे का रास्ता इन सिमुलेशन से एक सुरक्षित, वास्तविक दुनिया के परीक्षण की ओर बढ़ने का है, जहाँ सिस्टम को वित्तीय प्रणाली की अखंडता की रक्षा करने के लिए परिष्कृत किया जा सके बिना उन लोगों को अभिभूत किए जिन्हें इसकी रक्षा करने का कार्य सौंपा गया है।