كشف احتيال الهوية باستخدام التعلم الآلي: شرح مبسط

يكلف احتيال الهوية الشركات والمستهلكين مليارات الدولارات كل عام، وتتغير أساليب الاحتيال أسرع مما تستطيع معظم فرق الأمن مواكبته. فبيانات الاعتماد المسروقة والهويات الاصطناعية والاستيلاء على الحسابات لم تعد تشبه المحاولات الفجة قبل عقد من الزمن. إنها تبدو كعملاء عاديين، إلى أن تظهر الخسائر في الميزانية العمومية.

ولهذا تحولت بنوك وشركات تقنية مالية وشركات تأمين وأسواق إلكترونية كثيرة عن القواعد الثابتة إلى أنظمة التعلم الآلي لكشف احتيال الهوية. فبدلًا من فحص المعاملة وفق قائمة ثابتة من الشروط، تتعلم هذه النماذج شكل السلوك الطبيعي لمستخدم أو حساب أو قناة معينة، ثم تنبّه إلى النشاط والأنماط التي تخرج عنه. وفيما يلي نظرة مبسطة على كيفية عمل الخوارزميات الأساسية فعلًا، وما البيانات والخصائص التي تعتمد عليها، وأين يميل هذا النهج إلى القصور، وكيف تبدو منظومة واقعية لمنع الاحتيال في عام 2026.

ما الذي يُعدّ احتيال هوية

يشمل احتيال الهوية أي مخطط يستخدم فيه شخص سيئ النية معلومات شخصية مسروقة أو ملفقة أو متلاعبًا بها للوصول إلى أموال أو ائتمان أو مزايا أو خدمات. وتتكرر بضع فئات مرة بعد أخرى في قوائم قضايا محللي الاحتيال:

• الاستيلاء على الحساب هو نقطة الدخول الأكثر شيوعًا. يحصل المحتال على بيانات اعتماد مسربة، أو ينفذ مخطط تصيد، أو يتحايل بالكلام على موظف مركز اتصال، ثم يستولي بهدوء على حساب له بالفعل سجل موثوق.
• احتيال الحساب الجديد يعمل بالعكس. فبدلًا من اختطاف شيء قائم، يستخدم المحتال المعلومات الشخصية المسروقة لشخص آخر لفتح حساب أو خط ائتمان جديد تمامًا من الصفر.
• احتيال الهوية الاصطناعية أصعب في الكشف لأنه لا يوجد ضحية حقيقية تشتكي. يمزج المحتال بين تفصيل حقيقي، مثل رقم ضمان اجتماعي صحيح، وتفاصيل ملفقة، مثل اسم وتاريخ ميلاد مختلقين، ليبني شخصًا لم يوجد قط.
• احتيال الطرف الأول يقلب السيناريو المعتاد. فهنا يكون صاحب الحساب هو من يزيّف حقيقته، غالبًا للتهرب من دين أو لانتزاع ائتمان إضافي من جهة إقراض لا ينوي سداد ما عليها.
• احتيال الدفع هو عادةً الخطوة الأخيرة لا الأولى. فبعد اختراق بيانات الهوية عبر أي من المسارات السابقة، تُستخدم لتمرير معاملات غير مصرح بها عبر منصات مصرفية أو تجارية أو منصات مدفوعات.

تترك كل فئة أثرًا مختلفًا قليلًا في البيانات عبر الحسابات والأجهزة وسجل المعاملات، وهذا جزء من سبب صعوبة كشف محرك قواعد واحد لها جميعًا على نطاق واسع.

لماذا لم تعد الأنظمة القائمة على القواعد كافية

اعتمدت الوقاية التقليدية من الاحتيال على المنطق القائم على القواعد. احجب أي معاملة تتجاوز مبلغًا معينًا. نبّه عند تسجيل دخول من موقع جديد. ارفض الطلب الذي يحمل عنوانًا غير مطابق. القواعد سهلة الشرح وبسيطة التنفيذ، لكن المحتالين يدرسون المنطق وراءها ويلتفون عليه في غضون أسابيع.

كما تولّد الأنظمة القائمة على القواعد سيلًا من الإنذارات الكاذبة. فالعميل المشروع الذي يسافر إلى الخارج أو يبدّل جهازه قد يُطلق التنبيهات نفسها التي يطلقها مجرم حقيقي، ما يجبر المحللين على قضاء ساعات في تبرئة حسابات لم تكن معرضة للخطر أصلًا. ومع نمو حجم المعاملات والطلبات، تتحول عملية المراجعة اليدوية هذه إلى عنق زجاجة لا يحله أي قدر من التوظيف أو الموارد الإضافية حلًا كاملًا.

وقد جرى تقديم نماذج التعلم الآلي والذكاء الاصطناعي لسد هذه الفجوة. فبدلًا من الاعتماد على حفنة من الحدود المبرمجة سلفًا، تستطيع هذه النماذج وزن عشرات أو مئات العوامل والخصائص في وقت واحد، ثم تعدّل فهمها للمخاطر مع ورود بيانات ونتائج جديدة.

كيف تكشف نماذج التعلم الآلي احتيال الهوية

على مستوى عام، يأخذ نموذج كشف احتيال الهوية مجموعة من الخصائص المستخرجة عن مستخدم أو جهاز أو معاملة، ويُخرج احتمالًا أو درجة مخاطر تعكس مدى احتمال أن يكون النشاط احتياليًا. وتختلف الطرق المستخدمة للوصول إلى هذه الدرجة بحسب النهج ونوع نمط الاحتيال الذي يحاول النظام كشفه.

التعلم الخاضع للإشراف والتصنيف

يدرّب التعلم الخاضع للإشراف الخوارزميات على مجموعات بيانات تاريخية صُنفت مسبقًا على أنها احتيالية أو مشروعة. وتتعلم تقنيات مثل الانحدار اللوجستي والأشجار المعززة بالتدرج والغابات العشوائية التركيبات من العوامل، مثل بصمة الجهاز أو تكرار المعاملات أو عدم تطابق الموقع، التي تميل إلى الظهور في قضايا الاحتيال المؤكدة. وبعد التدريب، يقيّم نموذج التصنيف النشاط الجديد قياسًا على تلك الأنماط المتعلَّمة ليتنبأ باحتمال الاحتيال.

تكمن قوة التعلم الخاضع للإشراف في دقته مع أنواع الاحتيال التي سبق أن رآها النموذج في السجلات السابقة. أما ضعفه فهو اعتماده على توفر أمثلة مصنفة كافية، بينما تصمم شبكات الاحتيال عمدًا أساليب واستراتيجيات جديدة تقع خارج تلك الفئات القائمة، ما يحد من دقة التنبؤ في الحالات غير المألوفة.

التعلم غير الخاضع للإشراف وكشف الشذوذ

ولأن بيانات الاحتيال المصنفة غالبًا ما تكون محدودة، تجمع مؤسسات كثيرة بين النماذج الخاضعة للإشراف والتعلم غير الخاضع للإشراف. فخوارزميات التجميع وطرق كشف الشذوذ تبحث عن السلوك والانحرافات التي تقع خارج خط أساس مقرر دون الحاجة إلى تصنيف مسبق. فنمط تسجيل الدخول أو الإنفاق أو التقديم الذي يقع بعيدًا عن المجموعة الطبيعية لشريحة مستخدمين معينة يُرفع للتحقيق، حتى لو لم يظهر شيء يشبهه تمامًا في مجموعات البيانات السابقة.

هذا النهج مفيد بوجه خاص في كشف أساليب الاحتيال الجديدة والتهديدات الناشئة مبكرًا، لأنه لا يعتمد على مطابقة قالب معروف. وكشف الشذوذ أيضًا من الطرق الأوسع استخدامًا في الأمن السيبراني عمومًا، لا في احتيال الهوية تحديدًا فحسب.

تحليل الرسوم البيانية والشبكات

نادرًا ما يحدث احتيال الهوية بمعزل عن غيره. فشبكات الاحتيال تعيد استخدام الأجهزة وعناوين IP وأرقام الهواتف ومواقع الشحن عبر عشرات الحسابات التي تبدو غير مرتبطة. ويرسم التعلم الآلي القائم على الرسوم البيانية هذه الكيانات وعلاقاتها في صورة عقد وروابط، ما يتيح رصد مجموعات من الحسابات التي تتشارك روابط مريبة حتى لو بدا كل حساب منها سليمًا بمفرده. وقد أصبح هذا النوع من تحليل الشبكات من أكثر التقنيات فعالية في كشف مجموعات الهويات الاصطناعية وشبكات وسطاء الأموال ومحاولات الاستيلاء المنسقة على الحسابات، ويُقرن بشكل متزايد بأنظمة مكافحة غسل الأموال (AML) التي تعتمد أصلًا على رسم الكيانات والعلاقات.

الشبكات العصبية والتعلم العميق

للبيانات الأكثر تعقيدًا، مثل صور وثائق الهوية أو صور السيلفي المستخدمة في المصادقة البيومترية أو التسلسلات الطويلة من نشاط المستخدم، تدخل نماذج التعلم العميق في الصورة. فالشبكات العصبية الالتفافية تستطيع تقييم ما إذا كانت صورة هوية مرفوعة قد جرى التلاعب بها، بينما تستطيع النماذج المعتمدة على التسلسل تعلم الأنماط السلوكية المعتادة مع الوقت والتنبيه إلى الانحرافات المفاجئة عنها. وتميل هذه النماذج إلى الحاجة إلى مجموعات بيانات أكبر وقدرة حوسبة أكثر، ويصعب شرح مخرجاتها للجهات التنظيمية، لكنها قادرة على كشف أشكال أدق من التلاعب تفوّتها الخوارزميات الأبسط.

البيانات والخصائص وراء النموذج

لا تعمل أي من هذه التقنيات دون البيانات الصحيحة وعملية استخراج الخصائص. ويعتمد نظام نموذجي لكشف احتيال الهوية على:

• بيانات المعاملات، ومنها المبلغ والتكرار وطريقة الدفع
• بصمات الأجهزة والمتصفحات
• عنوان IP والموقع الجغرافي وسرعة الانتقال بين عمليات تسجيل الدخول
• القياسات الحيوية السلوكية، مثل إيقاع الكتابة أو حركة الفأرة
• سجل نشاط الحساب، بما في ذلك المطالبات والنزاعات واسترداد المبالغ السابقة
• بيانات المستندات والصور المقدمة أثناء التعريف بالعميل أو التحقق من الهوية أو تقديم مطالبة

هذه الفئة الأخيرة أهم مما تمنحها معظم مقالات كشف الاحتيال من اهتمام. فنموذج أنماط المعاملات يستطيع أن يمنح حسابًا درجة مخاطر مرتفعة، لكنه لا يستطيع دائمًا أن يخبرك ما إذا كانت رخصة القيادة أو كشف الراتب أو فاتورة المرافق التي قدمها المستخدم قد جرى التلاعب بها. ويعتمد كشف احتيال الهوية عند التعريف بالعميل أو استلام المطالبة بشكل متزايد على تحليل على مستوى المستند يعمل جنبًا إلى جنب مع النماذج السلوكية لا بديلًا عنها.

المراقبة الفورية وتسجيل المخاطر والأتمتة

لا تصدر معظم أنظمة كشف الاحتيال العاملة في الإنتاج حكمًا واحدًا بنعم أو لا. بل تولّد درجة مخاطر تحدد ما يحدث بعد ذلك: الاعتماد تلقائيًا، أو طلب تحقق إضافي من الهوية، أو التحويل إلى محلل بشري، أو الرفض الصريح. ويُبقي هذا النهج المتدرج الاحتكاك منخفضًا للغالبية العظمى من العملاء المشروعين مع تركيز وقت التحقيق والخبرة على الحسابات والطلبات التي تستحق ذلك فعلًا.

كما تعني المراقبة الفورية أن النموذج يجب أن يصل إلى قرار في أجزاء من الثانية، ما يضع حدودًا عملية على مدى تعقيد البنية الأساسية عند لحظة المعاملة. وتشغّل مؤسسات كثيرة نموذجًا خفيفًا للقرارات الفورية ونموذجًا أثقل في الخلفية لمراجعة القضايا بعمق وأتمتة مهام الفحص الروتينية.

تحديات شائعة تواجهها الفرق

حسّن التعلم الآلي دقة كشف الاحتيال بوضوح، لكن التقنية ليست حلًا جاهزًا للتشغيل الفوري. وتظهر بضع فجوات وتحديات متكررة في كل عملية تنفيذ تقريبًا:

• اختلال توازن الفئات: تشكّل قضايا الاحتيال المؤكدة جزءًا ضئيلًا من إجمالي المعاملات، ما يصعّب على النماذج التعلم من أمثلة إيجابية كافية دون فرط التخصيص أو توليد سيل من الإنذارات الكاذبة.
• إرهاق التنبيهات: حتى النموذج المضبوط جيدًا يُنتج تنبيهات تتضح أنها نشاط مشروع. وإذا تُركت دون إدارة، فإنها تستنزف محللي الاحتيال وتبطئ أزمنة الاستجابة وتقوّض الثقة بالنظام في الحالات التي تهم فعلًا.
• قابلية التفسير: تحتاج الجهات التنظيمية ولجان المخاطر الداخلية غالبًا إلى فهم سبب رفض النموذج لطلب أو تنبيهه على حساب. ويمكن أن تكون نماذج التعلم العميق دقيقة ومع ذلك يصعب تبريرها بلغة مبسطة، وهذا أحد أسباب استمرار شعبية الخوارزميات الأبسط والأكثر قابلية للتفسير في القطاعات الخاضعة للتنظيم مثل المصارف والتأمين.
• خصوصية البيانات: البيانات السلوكية والبيومترية المستخدمة لتدريب هذه النماذج حساسة، ويصاحب جمعها أو تخزينها التزامات امتثال خاصة بها بموجب لوائح مثل GDPR وقوانين الخصوصية المتنوعة في الولايات الأمريكية.
• الاحتيال العدائي: تختبر شبكات الاحتيال أنظمة الكشف بنشاط، وتتحسس الحدود التي تُطلق المراجعة وتعدّل أساليبها وفقًا لذلك. والنماذج التي لا يُعاد تدريبها بشكل متكرر على مجموعات بيانات محدّثة قد تتأخر عن الركب خلال أشهر.
• الهويات الاصطناعية والمولّدة بالذكاء الاصطناعي: سهّلت الأدوات التوليدية إنتاج مستندات مزيفة مقنعة وصور ملفات شخصية، ما يزيد الضغط على الأدلة الجنائية للمستندات لكشف ما ستفوّته الدرجات السلوكية وحدها. ولنظرة أقرب على كيفية حدوث ذلك مع الإيصالات والفواتير المولّدة، راجع كيف تكشف الإيصالات المولّدة بالذكاء الاصطناعي والفواتير الاصطناعية.

أين يندرج الدليل المستندي في الصورة

تتوقف مقالات كثيرة عن كشف احتيال الهوية عند بيانات المعاملات والسلوك، لكن حصة معتبرة من احتيال الهوية لا تزال تمر عبر أدلة مادية أو ممسوحة ضوئيًا: وثائق الهوية وإثبات العنوان وكشوف الرواتب ووثائق التأمين والإيصالات. والنموذج الذي ينظر فقط إلى البيانات الوصفية ونشاط الحساب قد يفوّته ملف PDF متلاعب به أو تناقض مدفون في البنية الأساسية للمستند.

ويسد الجمع بين التعلم الآلي السلوكي والأدلة الجنائية للمستندات هذه الفجوة. وهذا هو المنطق نفسه المعروض في كشف الاحتيال بالذكاء الاصطناعي يعمل بأفضل صورة حين يقود الدليل وفي كشف الاحتيال باستخدام الذكاء الاصطناعي ينبغي أن يبدأ من الأصول، وكلتاهما تؤكد أن درجة المخاطر وحدها ليست دليلًا. وللمؤسسات التي توازن بين التسجيل القائم على النماذج والفحوصات على مستوى المستند، يوضح مقال نماذج كشف احتيال مطالبات التأمين مقابل الأدلة الجنائية للمستندات لماذا تحتاج معظم برامج منع الاحتيال الناضجة إلى النهجين معًا لا إلى أحدهما دون الآخر. ولنظرة أعمق على ما تستطيع الفحوصات على مستوى المستند كشفه فعلًا، يستعرض تحليل البيانات الوصفية للإيصالات أختام الوقت وبيانات GPS وسجل التعديل بوصفها أدلة ملموسة.

بناء منظومة واقعية لكشف الاحتيال

تميل المؤسسات التي تحقق أكبر قيمة من التعلم الآلي لكشف احتيال الهوية إلى الجمع بين عدة طبقات وطرق بدلًا من الرهان على نموذج أو خوارزمية واحدة:

1. نموذج تصنيف خاضع للإشراف مدرَّب على قضايا احتيال مؤكدة لأنماط الاحتيال المعروفة
2. طبقة كشف شذوذ لرصد السلوك الذي لا يطابق أي فئة معروفة
3. تحليل الرسوم البيانية والشبكات لإبراز الشبكات المنسقة وعناصر الهوية المشتركة
4. أدلة جنائية للمستندات والصور للتحقق من الدليل المقدم أثناء التحقق من الهوية أو المطالبات
5. عملية مراجعة بشرية، مدعومة بخبرة المحللين، للحالات الأقرب إلى حد القرار

لا تمثل أي من هذه الطبقات حلًا سحريًا بمفردها. فمكاسب الدقة تأتي من الجمع بين التسجيل السلوكي والتعرف على الأنماط وتحليل الشبكات ومن التدقيق على مستوى المستند الذي يكشف ما لم يُصمَّم نموذج مطابقة الأنماط لرؤيته. ومع استمرار تقدم أساليب الاحتيال وأدواته وتقنياته، يُرجح أن يظل هذا النهج متعدد الطبقات هو المعيار في المصارف والتأمين والمدفوعات على السواء.

لن يختفي احتيال الهوية، وأدوات ارتكابه تزداد إقناعًا. وبرنامج كشف الاحتيال الذي يمزج بين نماذج التعلم الآلي والدليل المستندي الحقيقي لديه فرصة أفضل بكثير لكشف ما يهم قبل أن يتحول إلى خسارة مالية. وإذا أراد فريقك أن يرى كيف يتكامل كشف الاحتيال على مستوى المستند مع نماذج المخاطر وأنظمتك الحالية، يمكنك حجز مكالمة مع Docklands لاستعراض ذلك.