A decentralized multi-agent framework integrating interpretable machine learning for automated warranty fraud detection in supply chains

आधुनिक आपूर्ति श्रृंखलाओं (supply chains) के विशाल और जटिल जाल में, जहाँ सामान कारखानों से शेल्फ तक पहुँचता है, हर दिन संसाधनों का एक मौन क्षरण होता है: धोखाधड़ी वाले वारंटी दावे। जब कोई ग्राहक वारंटी के तहत मरम्मत या प्रतिस्थापन (replacement) के लिए अनुरोध प्रस्तुत करता है, तो कंपनियों को यह सत्यापित करना होता है कि दावा वास्तविक है। पारंपरिक रूप से, इस सत्यापन के लिए मानवीय ऑडिटरों द्वारा कागजी कार्रवाई की जाँच करने या कठोर कंप्यूटर नियमों पर निर्भर किया जाता था जो किसी भी असामान्य चीज़ को चिह्नित करते हैं। हालाँकि, जैसे-जैसे जालसाज अधिक परिष्कृत होते जा रहे हैं, ये पुराने तरीके तालमेल बिठाने में संघर्ष कर रहे हैं, जिससे अक्सर चालाक चालें छूट जाती हैं या निर्दोष गलतियों पर समय बर्बाद होता है। इसे हल करने के लिए, शोधकर्ता एक नए प्रकार की कंप्यूटर बुद्धिमत्ता की ओर मुड़ रहे हैं जो दो शक्तिशाली विचारों को जोड़ती है। पहला है मशीन लर्निंग, जहाँ कंप्यूटर डेटा में पैटर्न पहचानना सीखते हैं, ठीक वैसे ही जैसे एक इंसान अनुभव से सीखता है, लेकिन ऐसी गति और पैमाने पर जो कोई व्यक्ति नहीं कर सकता। दूसरा है एक मल्टी-एजेंट सिस्टम, जो अनिवार्य रूप रूप से स्वतंत्र कंप्यूटर प्रोग्रामों, या "एजेंटों" की एक टीम है, जो एक समस्या को हल करने के लिए मिलकर काम करते हैं, जिसमें प्रत्येक एजेंट कार्य के एक विशिष्ट हिस्से को संभालता है और दूसरों के साथ संवाद करता है। लक्ष्य एक ऐसा सिस्टम बनाना है जो न केवल तेज़ और सटीक हो, बल्कि पारदर्शी भी हो, जिससे मनुष्य यह समझ सके कि कंप्यूटर ने किसी दावे को संदिग्ध क्यों माना, जिससे स्वचालित निर्णय में विश्वास बना रहे।

फिलिस्तीन और तुर्की के विश्वविद्यालयों के शोधकर्ताओं की एक टीम ने एक नया फ्रेमवर्क विकसित किया है जो विशेष रूप से वारंटी धोखाधड़ी के लिए इन अवधारणाओं को एक साथ लाता है। उनका कार्य उस महत्वपूर्ण अंतर को संबोधित करता है जिसे कंपनियाँ वारंटी दावों के प्रबंधन में झेल रही हैं। जबकि बैंकिंग और बीमा में धोखाधड़ी का पता लगाने के लिए आर्टिफिशियल इंटेलिजेंस का उपयोग किया गया है, उत्पाद वारंटी की जटिल दुनिया में इसे लागू करना कठिन रहा है, मुख्य रूप से इसलिए क्योंकि मौजूदा प्रणालियाँ अक्सर केंद्रीकृत होती हैं, जिसका अर्थ है कि वे एक एकल शक्तिशाली कंप्यूटर पर निर्भर करती हैं जो बाधा (bottleneck) बन सकता है, और वे "ब्लैक बॉक्स" के रूप में कार्य करती हैं जो उनके निर्णयों के लिए कोई स्पष्टीकरण नहीं देती हैं। शोधकर्ताओं ने एक अलग दृष्टिकोण प्रस्तावित किया: एक विकेंद्रीकृत प्रणाली जहाँ कई स्वायत्त एजेंट दावों की स्क्रीनिंग, विश्लेषण और समाधान के लिए सहयोग करते हैं। इस विचार का परीक्षण करने के लिए, उन्होंने 1,000 वारंटी रिकॉर्डों के एक सिंथेटिक डेटासेट का उपयोग करके एक सिम्युलेटेड वातावरण बनाया। इस डेटासेट को सावधानीपूर्वक वास्तविक दुनिया के पैटर्न को दर्शाने के लिए डिज़ाइन किया गया था, जिसमें दावे का मूल्य, उत्पाद कितना पुराना था, कहाँ से खरीदा गया था और खरीदार का भौगोलिक क्षेत्र जैसे विशिष्ट विवरण शामिल थे। इस सिमुलेशन में, उन्होंने एजेंटों को धोखाधड़ी के संकेतों को खोजने के लिए प्रोग्राम किया, जैसे कि बहुत पुराने उत्पादों के लिए असामान्य रूप से उच्च दावा राशि या डीलरों के बजाय सीधे निर्माताओं से की गई खरीदारी।

उनके सिस्टम का केंद्र दो अलग-अलग प्रकार के मशीन लर्निंग मॉडल हैं जो तालमेल में काम करते हैं। एक मॉडल, जिसे रैंडम फॉरेस्ट (Random Forest) कहा जाता है, एक अत्यधिक सटीक भविष्यवक्ता के रूप में कार्य करता है। यह विभिन्न कारकों के बीच जटिल, गैर-रेखीय (non-linear) संबंधों को खोजने के लिए डेटा का विश्लेषण करता है, जैसे कि कैसे उच्च कीमत और पुराने उत्पाद की आयु का संयोजन धोखाधड़ी का संकेत दे सकता है। अपने परीक्षणों में, इस मॉडल ने 94% बार धोखाधड़ी वाले दावों की सही पहचान की। दूसरा मॉडल, लॉजिस्टिक रिग्रेशन (Logistic Regression), एक अलग उद्देश्य के लिए है। हालांकि यह थोड़ा कम सटीक है (88% सफलता दर के साथ), यह बहुत सरल और मनुष्यों के लिए समझने में आसान है। यह एक स्पष्ट, तार्किक स्पष्टीकरण प्रदान करता है कि किसी दावे को क्यों चिह्नित किया गया, यह दिखाते हुए कि किन कारकों ने निर्णय में योगदान दिया। दोनों मॉडलों का उपयोग करके, सिस्टम को दोनों दुनियाओं का सर्वश्रेष्ठ मिलता है: धोखाधड़ी पकड़ने के लिए आवश्यक उच्च सटीकता और मानवीय प्रबंधकों को प्रक्रिया में बनाए रखने के लिए आवश्यक पारदर्शिता। शोधकर्ताओं ने पाया कि धोखाधड़ी के सबसे महत्वपूर्ण संकेतक दावे का मौद्रिक मूल्य, उत्पाद की आयु और खरीद का स्रोत थे। उदाहरण के लिए, पाँच वर्ष से अधिक पुराने उत्पादों के लिए दावे धोखाधड़ी होने की संभावना बहुत अधिक थी, और सीधे निर्माता से खरीदी गई वस्तुओं के दावों में डीलरों से खरीदी गई वस्तुओं की तुलना में धोखाधड़ी की उच्च दर देखी गई।

यह देखने के लिए कि यह फ्रेमवर्क एक वास्तविक वर्कफ़्लो में कैसा प्रदर्शन करता है, शोधकर्ताओं ने वारंटी दावों को संभालने की पूरी प्रक्रिया का अनुकरण (simulate) किया। उन्होंने अपने नए मल्टी-एजेंट सिस्टम की तुलना पारंपरिक मैनुअल ऑडिटिंग और नियम-आधारित तरीकों से की। परिणामों ने गति में नाटकीय सुधार दिखाया। सिमुलेशन में, स्वचालित प्रणाली ने औसतन लगभग 10 मिनट में दावों को संसाधित किया, जबकि पारंपरिक तरीकों को प्रति दावा 15 से 20 मिनट का समय लगा। यह प्रसंस्करण समय में 35% की कमी है। सिस्टम ने पांच विशिष्ट एजेंटों के बीच काम को वितरित करके यह उपलब्धि हासिल की। एक एजेंट आने वाले दावों की स्क्रीनिंग करता है और उन्हें संदिग्ध मानकर चिह्नित करता है, जैसे कि एक निश्चित राशि से अधिक दावे का मूल्य। दूसरा एजेंट धोखाधड़ी जोखिम स्कोर की गणना करने के लिए मशीन लर्निंग मॉडल लागू करता है। यदि कोई दावा उच्च-जोखिम वाला पाया जाता है, तो तीसरा एजेंट समाधान प्रबंधित करने के लिए हस्तक्षेप करता है, जो अधिक जानकारी जुटाने के लिए ग्राहकों या आपूर्तिकर्ताओं के साथ संवाद करता है। चौथा एजेंट सिस्टम के ज्ञान को अपडेट करने के लिए सभी डेटा एकत्र करता है, और पांचवां पर्यवेक्षी (supervisor) एजेंट पूरे संचालन की निगरानी करता है ताकि सब कुछ सुचारू रूप से चले और यदि किसी निर्णय के लिए मानवीय समीक्षा की आवश्यकता हो तो हस्तक्षेप किया जा सके। यह संरचना सिस्टम को एक साथ दावों की भारी मात्रा को संभालने की अनुमति देती है, जिससे यह बिना धीमे हुए आसानी से स्केल हो सकता है, जो कि केंद्रीकृत प्रणालियों के लिए कठिन होता है।

शोधकर्ताओं ने अपने कार्य के नैतिक और कानूनी निहितार्थों पर भी बारीकी से ध्यान दिया। कई उद्योगों में, नियमों के अनुपालन और ग्राहकों के साथ विश्वास बनाए रखने के लिए स्वचालित निर्णय व्याख्या योग्य (explainable) होने चाहिए। उनके द्वारा बनाया गया सिस्टम इसमें स्पष्टीकरण को प्रक्रिया में शामिल करके इस समस्या का समाधान करता है। जब भी सिस्टम किसी दावे को चिह्नित करता है, तो वह एक मानव-पठनीय स्पष्टीकरण उत्पन्न करता है जिसमें विस्तृत विवरण होता है कि किन कारकों ने, जैसे कि उत्पाद की आयु या खरीद का स्थान, उस निर्णय को प्रेरित किया। यह सुनिश्चित करता है कि सिस्टम केवल एक रहस्यमय 'ब्लैक बॉक्स' नहीं है बल्कि एक उपकरण है जो मानवीय निरीक्षण का समर्थन करता है। फ्रेमवर्क को प्रमुख डेटा संरक्षण मानकों के अनुरूप डिज़ाइन किया गया था, जिससे यह सुनिश्चित हुआ कि ग्राहकों की गोपनीयता सुरक्षित रहे और सिस्टम निष्पक्ष और पूर्वाग्रह मुक्त रहे। अध्ययन स्वीकार करता है कि चूंकि यह वास्तविक दुनिया के कंपनी डेटा के बजाय एक सिम्युलेटेड डेटासेट पर आधारित था, इसलिए परिणाम एक 'प्रूफ ऑफ कॉन्सेप्ट' हैं। सिंथेटिक डेटा ने शोधकर्ताओं को चर (variables) को नियंत्रित करने और एक सुरक्षित वातावरण में सिस्टम के तर्क का परीक्षण करने की अनुमति दी, लेकिन अगला कदम औद्योगिक भागीदारों के वास्तविक डेटा के साथ इन निष्कर्षों को मान्य करना होगा।

अंततः, यह शोध प्रदर्शित करता है कि एक ऐसा स्वचालित धोखाधड़ी पहचान प्रणाली बनाना संभव है जो शक्तिशाली और विश्वसनीय दोनों हो। उन्नत मशीन लर्निंग की भविष्य कहने वाली शक्ति को मल्टी-एजेंट टीम की सहयोगात्मक दक्षता के साथ जोड़कर, शोधकर्ताओं ने एक ऐसा फ्रेमवर्क तैयार किया है जो वर्तमान तरीकों की तुलना में तेज़, अधिक स्केलेबल और अधिक पारदर्शी है। निष्कर्ष बताते हैं कि निर्माता नैतिक निर्णय लेने के लिए आवश्यक मानवीय निरीक्षण को बनाए रखते हुए वारंटी धोखाधड़ी से जुड़े समय और लागत को काफी कम कर सकते हैं। यह कार्य उन बुद्धिमान प्रणालियों की ओर एक बदलाव को रेखांकित करता है जो मानवीय निर्णय को प्रतिस्थापित नहीं करती हैं बल्कि उसे बेहतर बनाती हैं, जिससे स्पष्ट और कार्रवाई योग्य अंतर्दृष्टि मिलती है जो कंपनियों को अपने ग्राहकों के साथ संबंधों से समझौता किए बिना अपने संसाधनों की रक्षा करने की अनुमति देती है। जैसे-जैसे आपूर्ति श्रृंखलाएं अधिक जटिल होती जा रही हैं, ऐसे सिस्टम एक आशाजनक मार्ग प्रदान करते हैं, जो धोखाधड़ी का पता लगाने की चुनौती को परिचालन दक्षता और लचीलेपन के अवसर में बदल देते हैं।