PayGuard AI: An Explainable Hybrid Framework for Corporate Payment-Anomaly Detection and Working-Capital Decision Support
यह शोध पत्र PayGuard AI को प्रस्तुत करता है, जो एक व्याख्यात्मक हाइब्रिड फ्रेमवर्क है जो भुगतान संबंधी विसंगतियों का पता लगाने और वर्किंग-कैपिटल निर्णयों में सहायता करने के लिए व्यावसायिक नियमों, मशीन लर्निंग और सांख्यिकीय सिमुलेशन को एकीकृत करता है, जो सिंथेटिक लेनदेन डेटा पर उच्च सटीकता और व्याख्यात्मकता प्रदर्शित करता है और वास्तविक दुनिया के सत्यापन की आवश्यकता को स्वीकार करता है।
मूल पेपर CC BY 4.0 (https://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
हर दिन, निगम सामान और सेवाओं के भुगतान के लिए भारी मात्रा में पैसा स्थानांतरित करते हैं, जिसे अकाउंट्स पेएबल (accounts payable) के रूप में जाना जाता है। इस कार्यप्रवाह में इनवॉइस की जांच करना, उन्हें खरीद आदेशों (purchase orders) से मिलाना और आपूर्तिकर्ताओं को भुगतान भेजना शामिल है। जबकि यह प्रणाली व्यवसायों को चलाने में मदद करती है, यह धोखाधड़ी के लिए एक प्रमुख लक्ष्य भी है। बुरे तत्व डुप्लिकेट इनवॉइस शामिल कर सकते हैं, वैध आपूर्तिकर्ताओं का रूप धारण कर सकते हैं, या धन चुराने के लिए बैंक खाते के विवरण में बदलाव कर सकते हैं। पारंपरिक रूप से, कंपनियां इन त्रुटियों को पकड़ने के लिए कठोर, नियम-आधारित प्रणालियों पर भरोसा करती रही हैं। ये प्रणालियाँ एक चेकलिस्ट की तरह काम करती हैं: यदि इनवॉइस की राशि खरीद आदेश से एक निश्चित प्रतिशत अधिक है, या यदि भुगतान सप्ताहांत (weekend) पर किया जाता है, तो सिस्टम मानवीय समीक्षा के लिए इसे फ्लैग करता है। हालांकि, ये नियम सीमित हैं; वे केवल उन्हीं विशिष्ट गलतियों को पकड़ सकते हैं जिन्हें खोजने के लिए उन्हें प्रोग्राम किया गया है, जिससे वे उन नए, चतुर तरीकों के प्रति अंधे रहते हैं जो धोखेबाज आविष्कार करते हैं।
इन सीमाओं को दूर करने के लिए, शोधकर्ताओं ने मशीन लर्निंग की ओर रुख किया है, जहाँ कंप्यूटर हजारों पिछले लेनदेन का अध्ययन करके असामान्य पैटर्न को पहचानना सीखते हैं। फिर भी, ये उन्नत प्रणालियाँ अक्सर "ब्लैक बॉक्स" के रूप में कार्य करती हैं, जो बिना यह बताए चेतावनी देती हैं कि वे क्यों चिंतित हैं। उच्च-दांव वाले वित्तीय वातावरण में, यह जानना कि कोई भुगतान संदिग्ध क्यों है, उतना ही महत्वपूर्ण है जितना कि यह जानना कि वह संदिग्ध है। इसके अलावा, जब किसी भुगतान को फ्लैग किया जाता है, तो वित्त टीमों के सामने एक कठिन दुविधा होती है: जांच के लिए भुगतान में देरी करना और आपूर्तिकर्ता के साथ संबंध खराब होने का जोखिम उठाना, या भुगतान करना और पैसा खोने का जोखिम उठाना। चुनौती एक ऐसी प्रणाली बनाने की है जो न केवल विसंगतियों का पता लगाए बल्कि अपने तर्क की व्याख्या भी करे, यह बताए कि वह कितनी आश्वस्त है, और नेताओं को उनके निर्णयों के वित्तीय प्रभाव को समझने में मदद करे।
एक हालिया अध्ययन में, स्वतंत्र शोधकर्ता तनिसी दास ने एक नया ढांचा पेश किया जिसे 'पेगार्ड एआई' (PayGuard AI) कहा जाता है, जिसे स्वचालित पहचान और मानवीय निर्णय लेने के बीच के अंतर को पाटने के लिए डिज़ाइन किया गया है। एक एकल पद्धति पर निर्भर रहने के बजाय, यह प्रणाली पारंपरिक व्यावसायिक नियमों की पारदर्शिता को मशीन लर्निंग की अनुकूलन क्षमता के साथ जोड़ती है। शोधकर्ताओं ने इस ढांचे का परीक्षण 5,600 सिम्युलेटेड (कृत्रिम) आपूर्तिकर्ता भुगतानों के एक सावधानीपूर्वक निर्मित सेट का उपयोग करके किया। इस सिंथेटिक डेटासेट के भीतर, उन्होंने जानबूझकर 280 विशिष्ट प्रकार की विसंगतियां डालीं, जैसे कि सटीक डुप्लिकेट इनवॉइस, गलत बैंक खाते में किए गए भुगतान, या मूल ऑर्डर की तुलना में काफी अधिक राशि वाले इनवॉइस। क्योंकि शोधकर्ताओं को ठीक से पता था कि कौन से लेनदेन "नकली" थे, इसलिए वे इस बात का कड़ाई से परीक्षण कर सके कि सिस्टम उन्हें कितनी अच्छी तरह पहचानता है।
पेगार्ड एआई ढांचा परतों में कार्य करता है। सबसे पहले, यह ज्ञात रेड फ्लैग्स (चेतावनी संकेतों) को स्कैन करने के लिए स्पष्ट, समझने योग्य व्यावसायिक नियमों को लागू करता है, जैसे कि शनिवार को किया गया भुगतान या खरीद आदेश से अधिक राशि वाला इनवॉइस। साथ ही, एक 'आइसोलेशन फॉरेस्ट' (Isolation Forest) नामक मशीन लर्निंग मॉडल डेटा का विश्लेषण करता है ताकि उन लेनदेन को खोजा जा सके जो सामान्य व्यवहार की तुलना में सांख्यिकीय रूप से अजीब दिखते हैं, भले ही वे किसी विशिष्ट नियम को न तोड़ते हों। सिस्टम फिर साक्ष्य के इन दो स्रोतों को एक एकल जोखिम स्कोर (risk score) में मिला देता है। यदि कोई लेनदेन एक नियम को ट्रिगर करता है और सांख्यिकीय रूप से भी असामान्य दिखता है, तो उसे उच्च स्कोर दिया जाता है और मानवीय समीक्षा के लिए प्राथमिकता दी जाती है। महत्वपूर्ण रूप से, सिस्टम केवल एक संख्या नहीं देता; यह एक सरल भाषा में स्पष्टीकरण प्रदान करता है कि कौन से नियम टूटे और लेनदेन कितना असामान्य है, जिससे एक मानव अन्वेषक संदर्भ को जल्दी समझ सकता है।
जब अनदेखे (unseen) सिम्युलेटेड डेटा पर परीक्षण किया गया, तो हाइब्रिड प्रणाली ने उच्च सटीकता के साथ प्रदर्शन किया। इसने सफलतापूर्वक लगभग दो-तिहाई नियोजित विसंगतियों की पहचान की, जबकि गलत अलार्म की दर बहुत कम रखी, यानी हर 100 वैध लेनदेन में से केवल लगभग 4 को ही फ्लैग किया। सिस्टम विशेष रूप से धोखाधड़ी के विशिष्ट प्रकारों को पकड़ने में प्रभावी था, जैसे कि हाल ही में बदले गए बैंक खातों में किए गए भुगतान या बेमेल मुद्राओं वाले इनवॉइस, जहाँ इसने पूर्ण पहचान दर हासिल की। हालांकि, अध्ययन ने यह भी खुलासा किया कि सिस्टम कुछ सूक्ष्म पैटर्न को पकड़ने में संघर्ष करता है, जैसे कि सटीक डुप्लिकेट इनवॉइस या असामान्य रूप से तेजी से किए गए भुगतान, जो यह सुझाव देता है कि कोई भी एकल प्रणाली पूर्ण नहीं है और मानवीय निरीक्षण आवश्यक बना हुआ है।
केवल संदिग्ध लेनदेन को फ्लैग करने से परे, यह ढांचा परिणामों पर भरोसा करने के लिए मानवीय निर्णय में सांख्यिकीय तर्क की एक परत जोड़ता है। यह अनुमान लगाने के लिए कि मॉडल अपने भविष्यवाणियों में कितना आश्वस्त है, 'बेयसियन इन्फरेंस' (Bayesian inference) नामक विधि का उपयोग करता है। एक एकल, निश्चित उत्तर देने के बजाय, यह संभावनाओं की एक सीमा प्रदान करता है, जिससे वित्त टीमों को एक उच्च-जोखम वाली चेतावनी जो बहुत निश्चित है और एक जो अधिक अस्पष्ट है, के बीच अंतर करने में मदद मिलती है। शोधकर्ताओं ने यह भी प्रदर्शित किया कि इस डेटा का उपयोग व्यापक वित्तीय योजना के लिए कैसे किया जा सकता है। हजारों सिमुलेशन चलाकर, उन्होंने दिखाया कि धोखाधड़ी की जांच के लिए भुगतान में देरी करने से कंपनी के कैश फ्लो (नकदी प्रवाह) पर क्या प्रभाव पड़ता है, जिसमें पैसे को रोककर बचाई गई संभावित बचत और जल्दी भुगतान मिलने वाले डिस्काउंट खोने या आपूर्तिकर्ताओं को नाराज करने के जोखिम के बीच संतुलन बनाया गया।
अध्ययन यह निष्कर्ष निकालता है कि हालांकि यह हाइब्रिड दृष्टिकोण आधुनिक धोखाधड़ी पहचान के लिए एक शक्तिशाली 'प्रूफ-ऑफ-कॉन्सेप्ट' (सिद्ध करने योग्य मॉडल) प्रदान करता है, लेकिन यह आगे के परीक्षण के बिना वास्तविक दुनिया में तैनाती के लिए अभी तैयार नहीं है। परिणाम सिंथेटिक डेटा का उपयोग करके उत्पन्न किए गए थे, जो यद्यपि यथार्थवादी है, वास्तविक कॉर्पोरेट धोखाधड़ी की जटिल और विकसित होती प्रकृति को पूरी तरह से नहीं पकड़ सकता है। शोधकर्ता इस बात पर जोर देते हैं कि प्रयोग में उपयोग किए गए विशिष्ट नंबर और थ्रेशोल्ड (सीमाएं) परीक्षण के लिए डिज़ाइन किए गए थे और उन्हें व्यक्तिगत संगठनों द्वारा उनकी अपनी जोखिम सहनशीलता और वित्तीय लक्ष्यों के आधार पर सावधानीपूर्वक कैलिब्रेट करने की आवश्यकता होगी। फिर भी, पेगार्ड एआई एक आशाजनक मार्ग प्रदर्शित करता है: एक ऐसी प्रणाली जो न केवल त्रुटियों को ढूंढती है, बल्कि उनकी व्याख्या भी करती है, अनिश्चितता को मापती है, और व्यवसायों को उनके धन के बारे में स्मार्ट और अधिक सूचित निर्णय लेने में मदद करती है।
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।