Machine Learning Based Mobile Money Fraud Detection Using Behavioral and Agent Level Features in Zambia

अफ्रीका की हलचल भरी डिजिटल अर्थव्यवस्थाओं में, मोबाइल फोन केवल संचार के उपकरण मात्र नहीं रह गए हैं; वे उन लाखों लोगों के लिए प्राथमिक बैंक खाते बन गए हैं जिन्होंने कभी पारंपरिक बैंक के भीतर कदम भी नहीं रखा है। बुनियादी हैंडसेट्स पर सरल टेक्स्ट-आधारित मेनू के माध्यम से, उपयोगकर्ता नकद जमा कर सकते हैं, परिवार को पैसे भेज सकते हैं और वस्तुओं के लिए भुगतान कर सकते हैं। यह प्रणाली काफी हद तक स्थानीय एजेंटों—दुकानदारों और विक्रेताओं—पर निर्भर करती है जो मानवीय इंटरफेस के रूप में कार्य करते हैं, और भौतिक नकदी को डिजिटल मूल्य में और इसके विपरीत परिवर्तित करते हैं। हालाँकि, इस तीव्र वित्तीय समावेशन ने एक नए प्रकार की भेद्यता पैदा कर दी है। जिस तरह चोर भौतिक दरवाजों के ताले तोड़ना सीख जाते हैं, उसी तरह जालसाजों ने डिजिटल प्रणाली का फायदा उठाने के लिए परिष्कृत तरीके विकसित कर लिए हैं, जो अक्सर उन्हीं एजेंटों के माध्यम से होता है जिन्हें इसे सुगम बनाने के लिए बनाया गया था। ये बुरे तत्व सिस्टम को यह विश्वास दिलाने के लिए हेरफेर कर सकते हैं कि कोई लेनदेन हुआ है जबकि वास्तव में ऐसा नहीं हुआ, या वे वैध व्यवसाय के लिए मिलने वाले पुरस्कारों को इकट्ठा करने के लिए पैसे के नकली चक्र बना सकते हैं। वर्षों से, इन नेटवर्कों को चलाने वाली कंपनियाँ इस चोरी को रोकने के लिए स्थिर नियमों का उपयोग करती आई हैं, जैसे कि किसी निश्चित डॉलर राशि से अधिक के लेनदेन को रोकना। लेकिन जालसाज चतुर होते हैं; वे अपनी रणनीतियाँ बदल लेते हैं ताकि वे रडार से बचकर निकल सकें, जिससे ये कठोर नियम अप्रभावी हो जाते हैं।

मुलुंगुशी यूनिवर्सिटी, जाम्बिया के शोधकर्ताओं की एक टीम ने कंप्यूटर को मानव अन्वेषकों की तरह सोचने के लिए प्रशिक्षित करके इस समस्या को हल करने का संकल्प लिया। वे जानना चाहते थे कि क्या वे एक ऐसा सिस्टम बना सकते हैं जो न केवल एक एकल लेनदेन के नंबरों को देखे, बल्कि इसमें शामिल लोगों और एजेंटों के व्यवहार को भी समझे। ऐसा करने के लिए, उन्होंने वास्तविक दुनिया के डेटा का एक विशाल संग्रह एकत्र किया: फरवरी 2026 के एक ही दिन के लगभग दस हजार लेनदेन, जिसमें एक हजार से अधिक उपयोगकर्ता और सौ से अधिक एजेंट शामिल थे। गोपनीयता की रक्षा के लिए इस डेटा से किसी भी नाम या व्यक्तिगत विवरण को सावधानीपूर्वक हटा दिया गया था, जिससे केवल गतिविधियों के पैटर्न ही शेष रहे। फिर शोधकर्ताओं ने इस जानकारी को कई अलग-अलग प्रकार के मशीन लर्निंग मॉडलों में डाला। ये कंप्यूटर प्रोग्राम डेटा में छिपे हुए पैटर्न खोजने के लिए डिज़ाइन किए गए हैं, ठीक वैसे ही जैसे कोई व्यक्ति भीड़ को देखकर उस एक व्यक्ति को पहचान सकता है जो अजीब दिशा में चल रहा हो। टीम ने सरल सांख्यिकीय विधियों से लेकर जटिल प्रणालियों तक, जो हर संभावित कारक का वजन करने के लिए हजारों निर्णय वृक्ष (डिसीजन ट्री) बनाती हैं, चार अलग-अलग दृष्टिकोणों का परीक्षण किया।

उनके कार्य की सबसे महत्वपूर्ण खोज यह थी कि एजेंट को देखना ग्राहक को देखने जितना ही महत्वपूर्ण था। अतीत में, धोखाधड़ी का पता लगाने वाले सिस्टम मुख्य रूप से लेनदेन पर ध्यान केंद्रित करते थे: कितना पैसा भेजा गया, कब भेजा गया, और किस प्रकार का स्थानांतरण था। शोधकर्ताओं ने पाया कि यह दृष्टिकोण बड़ी मात्रा में धोखाधड़ी को अनदेखा कर देता है। "एजेंट-स्तरीय" विशेषताओं को जोड़कर—विशेष रूप से, एक एजेंट कितनी बार लेनदेन को उलटता (रिवर्स करता) है और एक दिन में कितने लेनदेन संसाधित करता है—सिस्टम बहुत अधिक प्रभावी हो गया। उन्होंने पाया कि लेनदेन को उलटने (रिवर्स करने) की उच्च दर एक बड़ा चेतावनी संकेत (रेड फ्लैग) थी। जाम्बिया की मोबाइल मनी प्रणाली में, एजेंट प्रत्येक लेनदेन में मदद करने के लिए एक छोटा कमीशन कमाते हैं। जालसाजों ने इस प्रणाली का लाभ उठाना सीख लिया कि वे फर्जी लेनदेन बना सकते हैं और फिर तुरंत उन्हें उलट सकते हैं, जिससे सिस्टम को उस काम के लिए कमीशन देने के लिए मजबूर किया जा सके जो वास्तव में कभी हुआ ही नहीं। एक कंप्यूटर प्रोग्राम जो केवल एक एकल हस्तांतरण की डॉलर राशि को देखता, वह इसे कभी नहीं पकड़ पाता, लेकिन एक ऐसा सिस्टम जो यह देख सके कि एक एजेंट अचानक कुछ घंटों में दर्जनों लेनदेन को उलट रहा है, वह इस योजना को तुरंत पकड़ सकता था।

यह सुनिश्चित करने के लिए कि उनके कंप्यूटर मॉडल सही चीजें सीख रहे हैं और केवल अनुमान नहीं लगा रहे हैं, शोधकर्ताओं ने एक ऐसी तकनीक का उपयोग किया जो एक स्पॉटलाइट की तरह काम करती है, और स्पष्ट रूप से उजागर करती है कि किन कारकों ने कंप्यूटर के निर्णय को प्रभावित किया। उन्होंने पाया कि जबकि लेनदेन का आकार महत्वपूर्ण था, एजेंट का व्यवहार अक्सर धोखाधड़ी का एक और भी मजबूत भविष्यवक्ता था। एक विशिष्ट मॉडल, जो जटिल और अव्यवस्थित डेटा को संभालने की क्षमता के लिए जाना जाता है, सबसे सटीक साबित हुआ। इसने पुराने, नियम-आधारित सिस्टम की तुलना में वास्तविक धोखाधड़ी के मामलों के बहुत अधिक प्रतिशत को सफलतापूर्वक पहचाना, जबकि गलत अलार्म (फॉल्स अलार्म) की संख्या को भी कम रखा। यह महत्वपूर्ण है क्योंकि यदि सिस्टम बहुत से निर्दोष लोगों को अपराधी के रूप में चिह्नित करता है, तो यह उपयोगकर्ताओं को निराश करता है और अर्थव्यवस्था को धीमा कर देता है। शोधकर्ताओं को एक कठिन वास्तविकता का भी सामना करना पड़ा: धोखाधड़ी अत्यंत दुर्लभ है, जो हर पांच सौ लेनदेन में से एक से भी कम होती है। कंप्यूटर को इन दुर्लभ घटनाओं को पहचानने के लिए प्रशिक्षित करने हेतु, उन्होंने प्रशिक्षण चरण के दौरान धोखाधड़ी के कृत्रिम उदाहरण बनाने की एक विधि का उपयोग किया, जिससे मॉडल को बिना लाखों वास्तविक अपराध स्थलों के अध्ययन के यह सीखने में मदद मिली कि क्या देखना है।

इस अध्ययन के परिणाम जाम्बिया और समान बाजारों में मोबाइल मनी ऑपरेटरों के लिए एक स्पष्ट मार्ग प्रदान करते हैं। धोखाधड़ी से लड़ने का पुराना तरीका, जो स्थिर नियमों की सूचियों पर निर्भर था, अब विकसित होती आपराधिक युक्तियों के विरुद्ध पर्याप्त नहीं है। इसके बजाय, भविष्य गतिशील प्रणालियों का है जो व्यवहार में बदलाव पर नज़र रखती हैं। यदि एक एजेंट जो वैध बिक्री का एक स्थिर प्रवाह संसाधित करता है, अचानक असामान्य दर पर लेनदेन को उलटना शुरू कर देता है, तो सिस्टम को इसे तुरंत फ्लैग करना चाहिए। यह दृष्टिकोण धोखाधड़ी का पता लगाने को "पकड़ो मुझे अगर तुम कर सकते हो" के एक प्रतिक्रियात्मक खेल से बदलकर एक सक्रिय ढाल में बदल देता है जो प्रत्येक बातचीत के संदर्भ को समझता है। नेटवर्क के केंद्र में खड़े एजेंटों—मानवीय तत्व—पर ध्यान केंद्रित करके, ये नए उपकरण लाखों लोगों की वित्तीय सुरक्षा की रक्षा कर सकते हैं, यह सुनिश्चित करते हुए कि डिजिटल क्रांति विश्वास बनाने के बजाय उसे कम करने के बजाय निर्माण करे। अध्ययन पुष्टि करता है कि सही डेटा और सही उपकरणों के साथ, जालसाजों को मात देना और डिजिटल अर्थव्यवस्था को सभी के लिए सुरक्षित रखना संभव है।