تقلب و تخلف (Fraud) قدمتی طولانی دارد و می‌تواند هر کسب‌وکاری را تحت تاثیر قرار دهد؛ در عین حال که با گذشت زمان، تقلب‌ها هم ابعاد جدیدتری به خود گرفته و با مدرن‌‌شدن انواع تخلف، این فعالیت از نظر مالی هم گسترده‌تر شده است.

تخلف در سیستم‌های مالی به‌فراوانی یافت می‌شود و می‌تواند مانعی جدی برای سودآوری و توسعه سازمان‌ها باشد. به همین دلیل به همان اندازه که تشخیص تخلف و تقلب (fraud detection) مهم است پیش از آن، جلوگیری از بروز تخلف از اهمیت بالایی برخوردار است.

تخلف و تقلب شامل هر فرایند غیرقانونی است که فریب و نقض اعتماد را در پی دارد و می‌تواند توسط یک فرد یا یک گروه و حتی سازمان‌های بزرگ انجام شود. هدف این اشخاص هم کسب منفعت از راه غیرمتعارف مانند خودداری از پرداخت هزینه یک کالا یا خدمت برای سود تجاری است.

توسعه تقلب به‌ موازات توسعه فناوری

هرچه روش‌های تخلف و تقلب پیشرفته‌‌تر می‌شود و توسعه می‌یابد، لازم است روش‌های کشف آنها نیز توسعه پیدا کند. درعین حال افراد متخلف خود را با شرایط جدید تطبیق می‌دهند و با پیشرفت فناوری، به‌روز می‌شوند.

درواقع هرچه فناوری این روزها توسعه‌یافته‌تر می‌شود، به همان اندازه روش های تقلب نیز پیچیده تر و شناسایی متقلبان دشوارتر خواهد بود. با این وجود می‌توان در یک مدل پیشرو، سیستم های جدیدی برای شناسایی متخلفان پیدا و به‌ مرور زمان و با استفاده از فناوری‌های جدید، راهکارهایی برای کنترل تخلف و کاهش آمار آن   ارائه داد.

هدررفت درآمد صنایع به ‌دلیل تخلف و تقلب

بر اساس آمارهای منتشرشده، همیشه بخشی از درآمد صنایع مختلف از جمله بانک و بیمه به دلیل تقلب و تخلف به هدر رفته است. البته این نوع فعالیت‌های متقلبانه صرفا به صنایع خاصی همچون بانک و بیمه محدود نمی‌شود و شرکت‌هایی که تحت تاثیر تخلف و تقلب قرار می‌گیرند، طیف گسترده‌ای را شامل می‌شوند.

از طرفی انجام چنین کارهایی می‌تواند از سوی یک شخص، گروه یا سازمان انجام شود. برای مثال می‌توان به دستکاری صورت‌حساب پزشکی و گزارشات بیمه‌ای، تخلف در مبادلات بانکی و ارزی به‌خصوص از طریق کارت‌های اعتباری، عملیات فیشینگ، انجام اقدامات مجرمانه در معاملات بورس و راه‌اندازی سایت‌های قمار اشاره کرد.

ابداع روش‌های جدید کلاهبرداری و تخلف و عدم توانایی شرکت‌ها و موسسه‌های مالی برای پیشگیری و کشف آنها، مانع سودآوری‌ می‌‌شود و حتی آنها را تا مرز ورشکستگی می‌کشاند. نبود سامانه‌ای که بتواند تخلف را شناسایی کند، ضرر‌های زیادی متوجه شرکت‌های مالی می‌کند؛ به همین دلیل لازم است سازمان‌ها روشی برای مقابله با تخلف‌ها و پیش از آن، پیشگیری از آنها بیابند.

موسسات مالی، طعمه تخلف و تقلب

بانک‌ها، بیمه‌ها و موسسات مالی تاثیرپذیری بیشتری از کلاهبرداری‌ها دارند. برای مثال در بانکداری، تخلف می‌تواند شامل کارت‌های اعتباری دزدیده‌شده، جعل چک، فعالیت‌های نامتعارف حساب‌ها، تراکنش‌های مشکوک به قمار و مواردی از این دست باشد و هم افراد دارای حساب و هم بانک‌ها را از این موضوع متضرر کند.

از طرف دیگر سیستم‌های مالی مبتنی‌ بر فناوری اطلاعات، پتانسیل بیشتری برای سرقت‌های حجیم دارند و برای سارقان و کلاهبرداران هم طعمه مناسبی محسوب می‌شوند.

از آنجایی که بانک‌ها به‌ دلیل رقابت و ارائه خدمات بهتر و همچنین نیاز مشتریان، تمامی خدمات خود را به سمت خدمات اینترنتی، اپلیکیشن‌های موبایلی و ساختارهای دیجیتالی برده‌اند، متخلفان و سارقان هم تلاش می‌کنند با کسب دانش‌های نوین در زمینه فناوری اطلاعات، از نقص احراز هویت‌ مانند امضا الکترونیکی، پین‌کد، رمزعبور، کدامنیتی کارت یا نقاط ضعف موجود در مدل‌های امنیتی اجراشده، در جهت تراکنش‌های غیرقانونی مالی سرویس‌ها و از طریق اجرای حملات سیستمی خلاقانه در جهت منافع سودجویانه خود بهره ببرند. از این رو سامانه‌‌ای برای کشف تخلف و تقلب می‌تواند نقش موثری در فعالیت این سازمان‌ها و موسسات مالی داشته باشد.

ضرورت وجود سیستم مدیریت تقلب و انواع آن

تقلب و فعالیت‌‌های متقلبانه عواقب مالی فاجعه‌باری دارد و می‌تواند خسارات زیادی به اقتصاد دولت‌ها، سازمان‌ها، بخش‌های خصوصی یا حتی افراد جامعه وارد ‌‌کند. بنابراین ایجاد یک سیستم مدیریت تقلب کارآمد برای هر سازمانی یک مسئله حیاتی است. مدیریت تقلب عبارت است از شناسایی، پیشگیری و واکنش نسبت به فعالیت‌های متقلبانه در یک سازمان.

هر تقلب و تخلفی که اتفاق می‌افتد مسلما روی نقدینگی، اعتبار و شهرت بانک تاثیر می‌گذارد و ضرر مالی برای آن دارد. اهمیت ضرورت شناخت تقلب در کشورهای پیشرفته مشخص شده و زودتر به سمتش رفته‌ و دو روش برای جلوگیری از تقلب در نظر گرفته‌اند: روش مبتنی ‌بر ‌قاعده و مبتنی ‌بر هوش مصنوعی.

روش مبتنی‌ بر قاعده شامل تقلب‌هایی است که به‌طور معمول به استناد دانش کارشناسان بانکی (خبره)، تخلفات پیشین یا اکتشاف فضای مساله (برای مثال با استفاده از گراف) قابل استنتاج است. به‌طور مثال یکی از الگوهای شناخته‌شده قمار، تکرار واریز یک مبلغ مشخص (مثلا 100 هزار تومان) به یک حساب و برداشت آن با الگویی متفاوت پس از مدت زمانی مشخص است. این تعریف که با کمک کارشناسان بانکی به‌صورت یک قاعده و الگو پیاده‌سازی شده می‌تواند منجر به اعمال محدودیت بر برخی از حساب‌های کاربری شده و از تخلف قمار جلوگیری کند.

اما همیشه الگوی ثابتی به‌ازای انواع تخلف و تقلب وجود ندارد. همچنین ممکن است ویژگی‌های بسیاری در تشخیص یک تراکنش/ حساب به‌عنوان تخلف/متخلف دخیل باشد. به همین دلیل در مواردی از این دست یکی از روش‌­های مطرح، تشخیص ناهنجاری (Anomaly detection) است. همچنین در این موارد می‌توان از هوش مصنوعی استفاده و با پیاده‌سازی روش‌هایی مانند دسته‌بندی، طبقه‌بندی، یادگیری ماشین، یادگیری عمیق و غیره الگوهای تخلف یا تقلب پنهان در دل داده‌ها که معمولا طی زمان به هوشمندی آنها افزوده می‌شود را تشخیص داده و دانش حاصل‌شده را به روش‌های مبتنی بر قاعده و دانش خبره اضافه کرد.

جلوگیری از تقلب با احراز هویت و پروفایل مشتری

صنعت بانکداری فعالانه از فناوری در مبارزه با تقلب استفاده می‌‌کند. یکی از مثال های آن الزام ارائه‌‌دهندگان سرویس پرداخت به احراز هویت چندعاملی برای دسترسی‌­های باارزش و ریسک بالاتر است. بدین صورت که وقتی مشتری پرداخت‌‌های خاصی را به‌‌صورت آنلاین انجام می‌‌دهد، لازم است از یک لایه امنیتی اضافه مانند یک رمز عبور یک‌بار مصرف از طریق پیام متنی یا بیومتریک استفاده کند.

در زمینه تشخیص هویت نیز می‌توان از هوش مصنوعی به‌منظور افزایش دقت شناسایی افراد بهره برد. هوش مصنوعی می‌تواند با شناخت رفتار هر فرد و ساخت یک نمایه (profiling) شباهت یا عدم شباهت رفتار مشتریان را با سابقه در دسترس آنها بررسی کند. به‌عنوان مثال برخی از بانک‌‌ها نرم‌‌افزاری را به‌‌ کار گرفته‌‌اند که بر روش‌های تایپ و کشیدن انگشت روی دستگاه‌های خود یا نحوه رفتار نگه‌‌داشتن دستگاه خود در هنگام ورود به برنامه‌های بانکی نظارت می‌‌کند. اگر این رفتار تغییر کند، نرم‌‌افزار فعالیت مشکوک بالقوه را علامت‌‌گذاری می‌‌کند و بانک می‌‌تواند پیگیری لازم را انجام دهد.

نمونه‌ای دیگر از تشکیل هویت دیجیتال (profiling) به این شکل است که این سیستم میلیاردها تراکنش را همراه با داده‌های اضافی از جمله دستگاه، اطلاعات جغرافیایی و رفتاری تجزیه‌وتحلیل می‌‌کند و درنهایت، بانک با ترکیب این اطلاعات و داده‌های تاریخی می‌‌تواند تصویری از رفتار مشتری بسازد تا هرگونه فعالیت غیرعادی، به‌عنوان یک فعالیت متقلبانه شناسایی شده و اقدام لازم پیش از متضررشدن مشتری انجام شود.

اهداف سامانه کشف تخلف و تقلب

یکی از مهم‌ترین اهدافی که می‌توان برای سامانه‌های کشف تخلف نام برد، حذف انسان از فرایند شناسایی عوامل و رفتارهای مجرمانه است؛ زیرا تا وقتی که قرار باشد کشف تخلف و تقلب بر عهده انسان باشد، احتمال خطاهای خواسته و ناخواسته در شناسایی رفتارها و عوامل مجرمانه وجود دارد.

با جایگزین‌شدن ابزارهایی مثل هوش مصنوعی که می‌تواند رفتار کاربران را تحلیل کند و به کمک الگوریتم‌های خود، فرایند fraud detection را انجام دهد، از میزان خطاها کاسته می‌شود. علاوه بر این، سرعت کشف رفتارهای مجرمانه هم افزایش چشمگیری خواهد داشت. اگرچه هوش مصنوعی هم کاملا بدون خطا نیست؛ اما با وجود بهبود هر روزه الگوریتم‌­های موجود، روزبه‌روز نقاط ضعف این ابزار کاهش می‌یابد و از خطاهای آن کاسته خواهد شد.

پرسش و پاسخ

1- به چه فعالیت‌هایی تخلف و تقلب می‌گویند؟

تخلف و تقلب شامل هر فرایند غیرقانونی است که فریب و نقض اعتماد را در پی دارد و می‌تواند توسط یک فرد یا یک گروه و حتی سازمان‌های بزرگ انجام شود

2- کشف تخلف و تقلب به چه معناست؟

منظور از کشف تخلف و تقلب، هر اقدامی است که پس از شناسایی اقدام متخلفانه، برای مقابله و پیشگیری از وقوع مجدد آن انجام می‌شود.

3- از فناوری برای کشف تخلف چه بهره‌ای می‌برند؟

به‌واسطه توسعه فناوری‌هایی از جمله هوش مصنوعی، کشف تخلف و تقلب شکل تازه‌ای به خود گرفت؛ به‌طوری که امروزه از مدل‌های مختلف این فناوری جهت تحلیل داده‌ها و شناسایی اقدامات مجرمانه استفاده می‌شود.