KONTOGRAPH: Verified Point-in-Time Feature Consistency and Amortised Explanation for Real-Time Anti-Money Laundering under a 200 ms Decision Budget

आधुनिक वित्त की दुनिया में, गति ही नई मुद्रा बन गई है। दशकों तक, बैंकों ने धन हस्तांतरण को धीमी, रातों-रात होने वाली बैच प्रक्रियाओं के माध्यम से संसाधित किया, जिससे उन्हें लेनदेन की समीक्षा करने और पैसे के स्थानांतरित होने से पहले संदिग्ध गतिविधि को पकड़ने के लिए एक आरामदायक समय मिल जाता था। लेकिन एक नए यूरोपीय नियम ने उस सुरक्षा जाल को तोड़ दिया है, जो बैंकों को चौबीसों घंटे, दस सेकंड से कम समय में तत्काल भुगतान निपटाने के लिए बाध्य करता है। इस बदलाव ने उस 'टाइम बफर' को हटा दिया है जिसने सावधानीपूर्वक समीक्षा की अनुमति दी थी और उस देरी को भी खत्म कर दिया है जिसने कभी बैंकों को अपराध का पता चलने पर फंड वापस लेने का अवसर दिया था। अब, आपराधिक लेनदेन को पहचानने, यह समझाने कि वह संदिग्ध क्यों लग रहा है, और एक अंतिम निर्णय लेने की पूरी प्रक्रिया को ग्राहक के इंतजार करते समय, अक्सर एक सेकंड से भी कम समय में पूरा होना चाहिए। यह एक उच्च-दांव वाली चुनौती पैदा करता है: आप एक ऐसा सिस्टम कैसे बना सकते हैं जो तत्काल भुगतान की गति के साथ तालमेल बिठाने के लिए पर्याप्त तेज़ हो, मनी लॉन्ड्रिंग करने वाले अपराधियों को पकड़ने के लिए पर्याप्त सटीक हो, और सख्त गोपनीयता कानूनों को संतुष्ट करने के लिए पर्याप्त पारदर्शी हो, वह भी बिना ऐसी गलतियाँ किए जिससे निर्दोष लोगों के खाते फ्रीज हो जाएं?

जर्मन यूनिवर्सिटी इन काहिरा के शोधकर्ताओं ने इस समस्या का समाधान करने के लिए 'कोंटोग्राफ' (KONTOGRAPH) नामक एक सिस्टम बनाया है, जिसे विशेष रूप से इन पलक झपकते ही लिए जाने वाले निर्णयों के लिए डिज़ाइन किया गया है। उन्होंने एक परिष्कृत पाइपलाइन बनाई जो धन के प्रवाह का विश्लेषण केवल अलग-थकी घटनाओं के रूप में नहीं, बल्कि संबंधों के एक जुड़े हुए जाल के रूप में करती है, और उन पैटर्न की तलाश करती है जो मनी लॉन्ड्रिंग का संकेत देते हैं। अपने सिस्टम का परीक्षण करने के लिए, उन्होंने वास्तविक बैंक डेटा का उपयोग नहीं किया, जो अक्सर निजी और अव्यवस्थित होता है। इसके बजाय, उन्होंने एक जर्मन भुगतान पारिस्थितिकी तंत्र का अत्यधिक विस्तृत सिमुलेशन बनाया, जिसमें 15 लाख से अधिक नकली लेनदेन उत्पन्न किए गए। इस डिजिटल दुनिया के भीतर, उन्होंने विशिष्ट प्रकार के आपराधिक व्यवहारों को इंजेक्ट किया, जैसे कि चोरी किए गए पैसे को स्थानांतरित करने के लिए नकली खातों के नेटवर्क का उपयोग करना, और फिर यह देखने के लिए निगरानी की कि क्या उनका सिस्टम उन्हें ढूंढ सकता है। लक्ष्य यह देखना था कि क्या वे इन अपराधों का पता लगा सकते हैं और 200 मिलीसेकंड के सख्त बजट के भीतर अपने तर्क की व्याख्या कर सकते हैं, एक ऐसा समय जो इतना कम है कि मानव के लिए लगभग अगोचर है।

उनके प्रयोग के परिणामों ने खुलासा किया कि डेटा की संरचना उस गणितीय जटिलता से कहीं अधिक महत्वपूर्ण है जिसका उपयोग डेटा का विश्लेषण करने के लिए किया जाता है। जब शोधकर्ताओं ने अपने सिस्टम की तुलना एक मानक, प्रसिद्ध पद्धति से की जो लेनदेन को डेटा की सरल पंक्तियों के रूप में देखती है, तो उनका दृष्टिकोण कहीं अधिक श्रेष्ठ निकला। भुगतानों को एक गतिशील मानचित्र के रूप में मानने से, जहाँ प्रत्येक खाता अपनी पिछली अंतःक्रियाओं को याद रखता है, सिस्टम ने सामान्य और आपराधिक गतिविधियों के बीच अंतर करने की अपनी क्षमता में उल्लेखनीय सुधार किया। सबसे महत्वपूर्ण घटक एक "मेमोरी" मॉड्यूल निकला जो प्रत्येक खाते को उसके हालिया व्यवहार का इतिहास रखने की अनुमति देता है। इस मेमोरी ने अकेले ही सिस्टम की प्रभावशीलता को बिना इसके वाले संस्करण की तुलना में दोगुने से अधिक बढ़ा दिया। हालाँकि, शोधकर्ताओं ने पाया कि केवल एक बेहतर मॉडल होना ही पर्याप्त नहीं था; सिस्टम को बनाने और परीक्षण करने का तरीका भी उतना ही महत्वपूर्ण था।

सबसे आश्चर्यजनक खोजों में से एक यह थी कि मानक कोड समीक्षाएं, जहाँ मनुष्य त्रुटियों को खोजने के लिए सॉफ़्टवेयर को पढ़ते हैं, महत्वपूर्ण गलतियों को पकड़ने में विफल रहीं। शोधकर्ताओं ने अपने सिस्टम का परीक्षण करने का एक नया तरीका विकसित किया, जिसमें स्वचालित रूप से "क्या होगा यदि" (what-if) परिदृश्य बनाए गए, जो भविष्य की घटनाओं को बदलकर यह देखते थे कि क्या सिस्टम के पिछले गणनाओं में परिवर्तन होता है। इस पद्धति ने तीन छिपी हुई खामियों को उजागर किया जो सिस्टम को वास्तव में जितना है उससे कहीं बेहतर दिखा सकती थीं। उदाहरण के लिए, एक त्रुटि के कारण सिस्टम ने गलती से एक लेनदेन को ग्राहक के इतिहास के हिस्से के रूप में तब गिन लिया जब वह अभी हुआ ही नहीं था, प्रभावी रूप से भविष्य में झाँक रहा था। दूसरी त्रुटि ने दो अलग-अलग लोगों के इतिहास को मिला दिया जिनके पास सिस्टम की मेमोरी में एक ही खाता संख्या थी। ये बग मानवीय निरीक्षण के लिए अदृश्य थे लेकिन स्वचालित परीक्षणों द्वारा तुरंत पकड़े गए, जिससे यह सिद्ध हुआ कि उच्च-गति वाले सिस्टम में, आप केवल अपनी आँखों पर भरोसा नहीं कर सकते; आपको मशीनों की आवश्यकता है जो यह सत्यापित करें कि तर्क समय के विरुद्ध भी सही बना रहता है।

अध्ययन ने इन सिस्टमों को तैनात करने के तरीके में एक सूक्ष्म लेकिन खतरनाक जाल का भी खुलासा किया। जब शोधकर्ताओं ने अपने प्रशिक्षित मॉडल को उस कंप्यूटर से हटाया जिसका उपयोग इसे बनाने के लिए किया गया था, और उस कंप्यूटर पर ले गए जिसका उपयोग वास्तविक दुनिया में इसे चलाने के लिए किया जाता है, तो लेनदेन का औसत स्कोर इतनी कम मात्रा में बदल गया कि वह व्यावहारिक रूप से शून्य के बराबर था। फिर भी, इस सूक्ष्म बदलाव के कारण सिस्टम ने 12 प्रतिशत अधिक लेनदेन को संदिग्ध के रूप में चिह्नित किया। क्योंकि निर्णय का थ्रेशोल्ड (सीमा) बहुत सटीक रूप से सेट किया गया था, स्थानांतरण के दौरान उत्पन्न हुई छोटी सी राउंडिंग त्रुटियों ने कई निर्दोष लेनदेन को संदेह की रेखा के पार धकेल दिया। यह निष्कर्ष एक सख्त चेतावनी के रूप में कार्य करता है: एक मॉडल को नए प्रारूप में ले जाना एक तटस्थ कार्य नहीं है; यह एक ऐसा परिवर्तन है जिसे मॉडल की तरह ही सावधानी से मापा जाना चाहिए। शोधकर्ता तर्क देते हैं कि जब तक किसी सिस्टम का इन सूक्ष्म बदलावों के लिए परीक्षण नहीं किया जाता, तब तक उसे वही सिस्टम नहीं माना जा सकता, भले ही कागज पर नंबर कितने भी समान क्यों न दिखें।

अंत में, टीम ने यह परीक्षण किया कि सिस्टम अपने निर्णयों को मानव जांचकर्ताओं को कैसे समझाता है। एक ऐसी दुनिया में जहाँ व्यक्ति को यह जानने का अधिकार है कि एक स्वचालित प्रणाली ने उसे क्यों चिह्नित किया, शोधकर्ताओं ने एक ऐसा टूल बनाया जो प्रत्येक अलर्ट के लिए सरल भाषा में स्पष्टीकरण उत्पन्न कर सकता था। उन्होंने पाया कि जबकि यह टूल अविश्वसनीय रूप से तेज़ था, इसकी सटीकता डेटा की प्रकृति के कारण सीमित थी। कई मामलों में, संदिग्ध लेनदेन में लगभग कोई इतिहास न रखने वाले बिल्कुल नए खाते शामिल थे, जिससे सिस्टम के पास काम करने के लिए बहुत कम जानकारी बची थी। शोधकर्ताओं ने पाया कि इन स्पष्टीकरणों की गुणवत्ता को मापने के लिए उपयोग किए जाने वाले मानक मेट्रिक्स इस संदर्भ में भ्रामक थे। जब किसी फ्लैग (चिह्न) के पीछे केवल एक ही संभावित कारण होता है, तो एक परीक्षण यह कह सकता है कि स्पष्टीकरण पूर्ण है, भले ही सिस्टम मूल रूप से अनुमान लगा रहा हो। उन्होंने निष्कर्ष निकाला कि इन तेज़ गति वाले सिस्टमों के लिए, स्पष्टीकरण की गुणवत्ता इस बात पर निर्भर करती है कि वास्तव में कितनी जानकारी उपलब्ध है, और डेटा की कमी को नोट किए बिना उच्च स्कोर रिपोर्ट करना धोखे का एक रूप है।

अंततः, यह शोध पत्र तत्काल धन के युग में वित्तीय सुरक्षा बनाने का एक ब्लूप्रिंट प्रदान करता है। यह प्रदर्शित करता है कि जबकि उन्नत तकनीक अपराध को पहले से कहीं अधिक तेज़ी से पकड़ सकती है, सबसे बड़े जोखिम अक्सर उस तकनीक के परीक्षण और तैनाती के अदृश्य विवरणों से आते हैं। शोधकर्ताओं ने दिखाया कि समय की शुद्धता को एक परीक्षण योग्य तथ्य मानकर, सूक्ष्म त्रुटियों के वास्तविक दुनिया के प्रभाव को मापकर, और स्पष्टीकरण की सीमाओं के बारे में ईमानदार रहकर, ऐसे सिस्टम बनाना संभव है जो तेज़ और विश्वसनीय दोनों हों। उनका कार्य सुझाव देता है कि वित्तीय सुरक्षा का भविष्य केवल स्मार्ट एल्गोरिदम में नहीं, बल्कि माप के एक अधिक कठोर अनुशासन में निहित है, जहाँ प्रत्येक दावे को एक ऐसे परीक्षण द्वारा सत्यापित किया जाता है जिसे उसे तोड़ने के लिए ही बनाया गया हो।