أهمية تعليم الآلة Machine Learning
تنمو التجارة الإلكترونية بشكل متسارع خلال الآونة الاخيرة حتى أن إجمالي الاستثمارات فيها وصل لـ3 تريليونات دولار في جميع أنحاء العالم في عام 2018 ، بزيادة عن العام الذي يسبقه بمقدار 18 في المائة ، ولكن مع هذا النمو الهائل في المبيعات تطور عالم الاحتيال والنصب بشكل كبير أيضا وفقًا لـ Experian ، ففي إحصائية لهذا الأمر وجد أن معدل الاحتيال في التجارة الإلكترونية ارتفع بنسب مذهلة وصلت 30 في المائة في عام 2017 وتتزايد هذه النسبة عاما تلو العام ، حتى أن بعض المتخصصين يقدر معدل نمو الاحتيال أصبح مساويا ضعف معدل المشتريات الفعلية ! وهذا يمثل خسائر بمليارات الدولارات .
لذا لجأت الكثير من الشركات في خطوة منها لصد هذه الهجمات إلى التعلم الآلي machine learning ، وهو فئة فرعية من الذكاء الاصطناعي ، وذلك للمساعدة في الكشف عن الاحتيال وإحباطه قبل حدوثه .
التعلم الآلي هو في الأساس نوع من برامج الذكاء الاصطناعي Artificial Intelligence ، فبدلاً من البرمجة المباشرة للقيام بشيء ما ، يتم برمجة الآلة للتعلم من التجربة من أجل تحسين دقتها في تنبؤ النتائج دون القيام ببرمجتها بشكل يدوي ، بمعنى آخر يعلم البرنامج نفسه كيفية القيام بشيء ما عن طريق تحليل البيانات الصادرة وتطوير الخوارزميات التي يعمل عليها ومتابعة النتائج ، ثم اختبار تلك الخوارزمية على البيانات الجديدة لتحديد دقة هذا التطوير .
يعد اكتشاف عمليات الاحتيال عملية صعبة : فالقواعد البرمجية الدقيقة لا يمكن ببساطة أن تأخذ في الاعتبار الاستثناءات ، والنتيجة النهائية هي أنه يتم رفض بعض المعاملات الصحيحة مما يؤدي إلى خسارة في الإيرادات ، ولذلك لبناء نظام الكشف عن الاحتيال المبني على التعلم الآلي يتم تغذيته بمجموعتين من البيانات المتطابقة في الهيكل باستثناء حقيقة أن مجموعة واحدة هي معاملات مشروعة ، في حين أن المجموعة الثانية تتكون من معاملات احتيالية ناتجة عن تقارير عمليات الاحتيال ، حيث تقوم خوارزمية التعلم الآلي بعد ذلك بمقارنة مجموعتي البيانات ومن ثم تقوم ببناء خوارزمياتها للتمييز بين المعاملة الصالحة ومحاولات السرقة .
يمكن لنظام التعلم الآلي machine learning أن يحلل جميع المعاملات بما في ذلك المعاملات التي تبدو أنها عملية احتيال ، وبناءً على تلك البيانات يمكنه إنشاء خوارزمية تتنبأ باحتمال حدوث معاملة احتيالية ، وعند التعرف على أنها احتيالية يتم الإبلاغ وقتها عن خطأ في الخوارزمية ليتم تعديلها مما يتيح للنظام التعلم من الأخطاء .
مصدر آخر للاحتيال وهو عندما يتم اقتحام حساب ، سيشتري المحتالون (أو يسرقون) معلومات الحساب في السوق السوداء ، ثم يستخدمونها للدخول إلى حسابات الأشخاص وإجراء عمليات الشراء باستخدام معلوماتهم الموجودة بالفعل في الملف ، يمكن لنظام التعلم الآلي تحليل البيانات المتعلقة بسلوك العميل العادي ، مثل الأجهزة التي يسجلون الدخول منها عادة ، والوقت ، والموقع ، وما إلى ذلك ، ثم يستخدمونها لتحديد نشاط الحساب الغير الطبيعي .
تم تصميم خوارزميات التعلم الآلي للتعلم من التجربة وتحسين الأداء بشكل متكرر ، بالتكيف مع عدد من العوامل والظروف داخل مجموعة البيانات ومواكبة ومتابعة العديد من السلوكيات التي يفعلها المستخدم ، فمن خلال تحليل كميات هائلة من البيانات ومعرفة أنماط السلوك الطبيعي تحدد هذه البرامج وقت وجود نشاط أو بيانات غير طبيعية مما يؤدي إلى اكتشاف أكثر دقة للاحتيال ، حيث يتم فحص هذه العوامل في عناصر البيانات :
1. الجهاز المستخدم للمعاملة
2. الهوية المرفقة بالجهاز
3. تصرف الجهاز أثناء الاستخدام
4. هوية العميل
5. تاريخ معاملات العميل
6. سمعة الجهاز وتاريخ معاملاته
7. ومجموعة واسعة من العوامل والسلوكيات الأخرى
كل هذا يتم دفعه خلال عملية تعليم الآلة لتصبح أكثر فاعلية أثناء عملها ، ولتكون قادرة على التكيف مع الاحتيال بطرق تفوق الأنظمة التقليدية .
مزايا أنظمة الكشف بالتعلم الآلي عن النظام البشري
على الرغم من أن البرمجة اليدوية يمكن أن تتضمن بعض مزايا التعلم الآلي ، حيث يتعلم البشر أيضًا من خلال التجربة ، إلا أن هناك العديد من الأسباب التي تجعل أنظمة الكشف الآلي مفيدة :
1. سرعة التحقق
يمكن للأنظمة الآلية التحقق من المعاملة على الفور تقريبًا .
2. الدقة والكفاءة
إن ارتكاب الأخطاء أمر بشري ، ويمكن أن تؤدي المهام المتكررة إلى فشل إدراكي بمرور الوقت ، ومع بدء التعب تقل الكفاءة ولكن النظام الآلي لا يعاني من نفس المشاكل إنه يعمل باستمرار ولا تنخفض كفاءته.
وخلاصة القول لن يختفي الاحتيال أبدًا ، وبما أننا نستخدم الإنترنت لمزيد من المعاملات سيحتاج التجار دوما إلى تطوير أساليب جديدة لمكافحة الاحتيال المتطور باستمرار ، ويمكن للتعلم الآلي أن يساعد في مواجهة هذه التهديدات الجديدة وحماية العملاء والأعمال التجارية .
https://www.nuwireinvestor.com/machine-learning-key-preventing-e-commerce-fraud/
https://www.transunion.com/blog/how-machine-learning-helps-prevent-e-commerce-fraud
