أطلقت شركة إنفيديا نموذج ذكاء اصطناعي لرصد الاحتيال المصرفي، بعد أن كشفت تقارير، أنه من المتوقع أن تتجاوز الخسائر المالية الناجمة عن الاحتيال في معاملات بطاقات الائتمان في جميع أنحاء العالم 403 مليارات دولار، خلال العقد المقبل، بحسب ما أعلنته الشركة.
إنفيديا تطلق نموذج ذكاء اصطناعي لرصد الاحتيال المصرفي
يمكن أن يساعد نموذج الذكاء الاصطناعي من إنفيديا الجديد للكشف عن الاحتيال المالي في مكافحة هذا الوباء المتزايد، باستخدام معالجة البيانات المتسارعة والخوارزميات المتقدمة، لتحسين قدرة الذكاء الاصطناعي على اكتشاف الاحتيال في معاملات بطاقات الائتمان ومنعه.
بحسب الشركة، فقد أطلق نموذج ذكاء اصطناعي لرصد الاحتيال المصرفي خلال الأسبوع الحالي في مؤتمر الخدمات المالية Money20/20، ويوفر مثالا مرجعيا للمؤسسات المالية لتحديد الأنماط الدقيقة في بيانات المعاملات، بناءً على سلوك المستخدم لتحسين الدقة.
كشف الاحتيال
يمكن للشركات تبسيط عملية انتقال عمليات كشف الاحتيال من الحوسبة التقليدية إلى الحوسبة المُسرّعة باستخدام منصة برمجيات NVIDIA AI Enterprise والحوسبة المُسرّعة من NVIDIA.
ويتوفر نموذج إنفيديا للذكاء الاصطناعي لرصد الاحتيال المصرفي للعملاء، لتشغيله على خدمات Amazon Web Services، وسيتوفر قريبًا على Dell Technologies وHewlett Packard Enterprise، كما يمكن للعملاء استخدام المخطط، من خلال عروض الخدمات المقدمة من شركاء NVIDIA، بما في ذلك Cloudera وEXL وInfosys وSHI International.
تحسن ملحوظ في دقة اكتشاف الاحتيال
يمكن للشركات التي تتبنى أدوات واستراتيجيات التعلم الآلي الشاملة، أن تلاحظ تحسنًا في دقة اكتشاف الاحتيال بنسبة تصل إلى 40%، ما يعزز قدرتها على تحديد المحتالين وإيقافهم بشكل أسرع وتخفيف الضرر.
وعلى هذا النحو، استخدمت المؤسسات المالية الرائدة مثل أمريكان إكسبريس وكابيتال ون الذكاء الاصطناعي لبناء حلول خاصة تعمل على الحد من الاحتيال وتعزيز حماية العملاء.
ويعمل مخطط الذكاء الاصطناعي الجديد على تسريع تدريب النموذج والاستدلال، ويوضح كيف يمكن دمج هذه المكونات في برنامج واحد سهل الاستخدام، مدعوم بتقنية الذكاء الاصطناعي من NVIDIA.
كما تم تحسين هذا المخطط حاليًا للتعامل مع عمليات الاحتيال في معاملات بطاقات الائتمان، ويمكن تعديله لاستخدام حالات مثل الاحتيال في الحسابات الجديدة، والاستيلاء على الحسابات، وغسيل الأموال.
استخدام الحوسبة المتسارعة للكشف عن الاحتيال
تفتقر علوم البيانات التقليدية إلى تسارع الحوسبة اللازم، للتعامل مع كميات البيانات الهائلة اللازمة للكشف الفعال عن الاحتيال، حيث تُعد نماذج التعلم الآلي، مثل XGBoost، فعّالة في الكشف عن الاختراقات في المعاملات الفردية، لكنها تفشل عندما يتعلق الاحتيال بشبكات معقدة من الحسابات والأجهزة المترابطة.