تعزيز التحقق من صحة الأعمال باستخدام الذكاء الاصطناعي: حدود جديدة في المعركة العالمية ضد الاحتيال؟
يشرح الأستاذ داميان بورث، أستاذ الذكاء الاصطناعي والتعلم الآلي في جامعة سانت غالن، كيف يمكن لتسخير بيانات الكيانات القانونية المفتوحة والموحدة وعالية الجودة ضمن نماذج الذكاء الاصطناعي أن يتيح تفاعلات الأعمال الأكثر شفافية وكفاءة وأمانًا في جميع أنحاء العالم.
المؤلف: الأستاذ داميان بورث، قسم الذكاء الاصطناعي والتعلم الآلي في جامعة سانت غالن
التاريخ: 29-04-2024
مشاهَدات:
في الاقتصاد الرقمي العالمي اليوم، لم يكن التحقق من هوية الكيانات القانونية أكثر أهمية أو صعوبة من أي وقت مضى. واستجابةً لذلك، يوجد اهتمام متزايد بإمكانية استخدام تكنولوجيا الذكاء الاصطناعي لتنفيذ عملية التحقق من صحة الكيانات ومراقبتها تلقائيًا. ومن خلال زيادة كفاءة العمليات الحيوية وفعاليتها، يمكن تقليل مخاطر الاحتيال والأنشطة الإجرامية الأخرى - مما يسهم في بيئة عمل أكثر أمانًا للجميع.
ومع ذلك، لا تزال التحديات قائمة. ويتم منع العديد من تطبيقات الذكاء الاصطناعي الحالية لأن البيانات الأساسية ليست موحدة، وقابلة للاستهلاك والمشاركة بسهولة. ولا يؤدي هذا إلى إهدار قوة الحوسبة القيمة فحسب، بل يؤدي أيضًا إلى تفاقم الأخطاء النظامية.
تعمل العديد من الاتجاهات والتطورات والمبادرات الحديثة عبر معايير البيانات ومراقبة المعاملات على معالجة التحديات التي أعاقت تقليديًا جهود مكافحة غسيل الأموال (AML). هل يمكنك شرح الدور الذي يمكن أن يلعبه الذكاء الاصطناعي وتكنولوجيا التعلم الآلي؟
يحمل الذكاء الاصطناعي والتعلم الآلي وعدًا كبيرًا في مواجهة تحديات مكافحة غسيل الأموال من خلال تعزيز كفاءة وفعالية عمليات مراقبة المعاملات والامتثال. ويمكنها تحليل مجموعات بيانات كبيرة لتحديد الأنماط المعقدة أو الحالات الشاذة والعثور على النشاط الاحتيالي، مما يحسن بشكل كبير اكتشاف المعاملات المشبوهة. وعلاوة على ذلك، يستطيع الذكاء الاصطناعي التكيف والتعلم من البيانات الجديدة، مما يجعله لا يقدر بثمن في بيئات مكافحة غسيل الأموال المتطورة حيث يحاول المحتالون وكيانات المراقبة التفوق في الأداء على بعضهم البعض.
كيف يمكن أن يساعد الجمع بين تكنولوجيا الذكاء الاصطناعي والبيانات عالية الجودة في تقدير نسبة مخاطر الأعمال العالمية وإدارتها بشكل أفضل؟
يمكن للذكاء الاصطناعي ومصادر البيانات الخارجية عالية الجودة تعزيز إدارة المخاطر بشكل كبير من خلال تحسين دقة التحقق من الأعمال. يمكن لخوارزميات الذكاء الاصطناعي أيضًا أتمتة مراقبة بيانات الكيانات القانونية، مما يسهم في خلق بيئة مالية عالمية أكثر أمانًا من خلال تقليل مخاطر الغش والاحتيال.
نظرًا لأن العمليات التجارية أصبحت تلقائية بشكل أكبر، كيف يمكنك تقييم التوازن بين القيمة المضافة ومخاطر تكنولوجيا الذكاء الاصطناعي؟
يوفر التنفيذ التلقائي لعمليات تحديد الهوية - التي يتم تمكينها بواسطة الذكاء الاصطناعي والتعلم الآلي - كفاءات متزايدة وتحسن دقة البيانات المعطاة، مما يعزز الامتثال التنظيمي ويدعم الثقة في المعاملات التجارية.
ومع ذلك، فقد يؤدي هذا أيضًا إلى حدوث مخاطر مثل الأخطاء النظامية المحتملة أو الانحيازات أو الثغرات في الأمن الإلكتروني. يعد تحقيق التوازن بين التنفيذ التلقائي والرقابة البشرية وضمان اتخاذ تدابير أمنية قوية أمرًا ضروريًا للتقليل من هذه المخاطر.
ما مدى أهمية البيانات المفتوحة والموثوقة والموحدة وعالية الجودة لمجتمع الذكاء الاصطناعي؟
ببساطة، إن هذا أمر أساسي ويعتبر دائمًا حيويًا لتطوير أنظمة الذكاء الاصطناعي بنجاح. تضمن مثل هذه البيانات تدريب نماذج الذكاء الاصطناعي على معلومات دقيقة، مما يؤدي إلى نتائج أكثر فعالية وجديرة بالثقة. يسهل توحيد المعايير التوافقية التشغيلية بين أنظمة الذكاء الاصطناعي المختلفة ويعزز إمكانية تكرار أبحاث الذكاء الاصطناعي. كما تقلل البيانات عالية الجودة من الانحيازات وتحسن قدرات النماذج على اتخاذ القرار، وهو أمر بالغ الأهمية للتطبيقات في المجالات الحساسة مثل الأنظمة المالية والقانونية.
لقد تعاونت مع GLEIF في نموذج لتحديد الشكل القانوني الصحيح للكيان واقتراحه. هل يمكنك تلخيص النتائج الرئيسية؟
من المهم أولاً أن ندرك أن تحديد الشكل القانوني للكيان وفهمه هو أمر أساسي لمختلف العمليات المالية والمتعلقة بالأعمال. ومع ذلك، تؤدي الأشكال القانونية العديدة المختلفة بين الولايات القضائية وداخلها إلى تعقيد كبير. إن القدرة على تحديد الشكل القانوني للشركة تلقائيًا وربطه بكود النموذج القانوني للكيان (ELF) المطابق لها يمكن أن تؤدي إلى ظهور فوائد لا تعد ولا تحصى - زيادة الشفافية وتقليل المخاطر وزيادة الكفاءة التشغيلية.
لقد أدى تعاوننا مع GLEIF إلى إنشاء نموذج للذكاء الاصطناعي - يُعرف باسم فهم اسم الكيان القانوني (LENU) - قادر على التنبؤ بدقة بالشكل القانوني للكيان باستخدام اسمه وولايته القضائية فقط. وكان نموذج اللغة الذي قمنا بتدريبه قادرًا على ربط أنماط محددة في الأسماء القانونية والتسميات الخاصة بالولاية القضائية للحصول على الأشكال القانونية منها. تُظهِر الدقة العالية للنموذج قدرة الذكاء الاصطناعي على تعزيز موثوقية بيانات الأعمال. ولا يؤدي هذا إلى تسريع عملية إصدار معرّفات الكيانات القانونية فحسب، بل يؤدي أيضًا إلى تقليل جهود التحقق اليدوي بشكلٍ كبير.
لقد لخصنا النتائج التي توصلنا إليها في ورقة بحثية علمية بعنوان "تصنيف الشكل القانوني للكيانات القائم على المحولات". وتسلط الدراسة الضوء على الإمكانات الكبيرة للنماذج القائمة على المحولات في تعزيز توحيد البيانات وتكامل البيانات. يضيف تقديم النموذج القانوني للكيان عبر عناصر البيانات الموحدة مزيدًا من الثقة إلى مهام ربط الكيان، ما يتيح أزواج خرائط قوية عبر مجموعات بيانات متعددة، حيث يمكن أن يكون لكل كيان نموذج قانوني واحد فقط.
تُظهِر الدقة العالية للنموذج قدرة الذكاء الاصطناعي على تعزيز موثوقية بيانات الأعمال. ولا يؤدي هذا إلى تسريع عملية إصدار معرّفات الكيانات القانونية فحسب، بل يؤدي أيضًا إلى تقليل جهود التحقق اليدوي بشكلٍ كبير.
كيف يمكن لبيانات الكيانات القانونية الموحدة، مثل معرّفات الكيانات القانونية، أن تسهم في النظام البيئي للبحث والتطوير في مجال الذكاء الاصطناعي؟
تعمل بيانات معرّفات الكيانات القانونية الموحدة على إثراء أبحاث الذكاء الاصطناعي من خلال توفير مجموعة بيانات عالمية ومتسقة للتدريب واختبار نماذج الذكاء الاصطناعي في السياق المالي والقانوني. ويعمل هذا التوحيد على تحسين موثوقية النموذج عبر الولايات القضائية ويعزز أداء حلول الذكاء الاصطناعي. وتعمل مجموعات بيانات معرّفات الكيانات القانونية أيضًا على تسهيل أبحاث الذكاء الاصطناعي في مجالات، مثل اكتشاف الاحتيال والتحقق من صحة الكيانات والامتثال التنظيمي. ومن خلال العمل كمؤشر استرشادي، يمكن لبيانات معرّفات الكيانات القانونية أن تلعب دورًا رئيسيًا في تقييم نماذج الذكاء الاصطناعي في الصناعة المالية.
ما رسالتك للمستقبل؟
يَحمل مستقبل الذكاء الاصطناعي، المدعوم بالبيانات الموحدة والمفتوحة، إمكانات هائلة لتحويل القطاعين المالي والقانوني. ومن خلال تسخير هذا التآزر، سنعمل على تفعيل التحسينات السريعة التي تضمن أنظمة مالية عالمية أكثر شفافية وكفاءة وأمانًا. ويعد هذا التطور بتعزيز الامتثال التنظيمي، والحد من الغش والاحتيال، وفهم أعمق للشبكات المالية المعقدة.
وباختصار، سنرى ونفهم المزيد عن عالم لا يمكن الوصول إليه بسهولة الآن.
فإذا رغبتم في التعليق على منشور في المدوّنة، يُرجى زيارة خاصيّة المدوّنة على موقع GLEIF الإلكتروني باللغة الإنجليزية لنشر تعليقكم. ويُرجى تعريف أنفسكم بذكر الاسم الأول واسم العائلة. سوف يظهر اسمكم بجانب تعليقكم. لن تُنشر عناوين البريد الإلكتروني. يرجى الملاحظة بأنه من خلال الدخول إلى منتدى المناقشة أو المساهمة فيه فأنتم توافقون على الالتزام بشروط سياسة التدوين لدى GLEIF، ولذا يرجى قراءتها جيدًا.
الأستاذ الدكتور داميان بورث هو مدير معهد علوم الكمبيوتر في جامعة سانت غالن، حيث يحمل درجة الأستاذية الكاملة في الذكاء الاصطناعي والتعلم الآلي (AIML). في السابق، كان داميان المدير المؤسس لمركز كفاءة التعلم العميق في مركز الأبحاث الألماني للذكاء الاصطناعي (DFKI) في كايزرسلاوترن، حيث كان أيضًا الباحث الرئيسي لمختبر NVIDIA AI في DFKI.
وتركز أبحاث داميان على التعلم التمثيلي باستخدام الشبكات العصبية العميقة في مجالات مثل رؤية الكمبيوتر، والاستشعار عن بعد، والتدقيق المالي. ونالت أعماله كثيرًا من الجوائز، حيث حصل على جائزة ACM SIGMM Test of Time في عام 2023، وجائزة Google Research Scholar في عام 2022، وجائزة NVIDIA AI Lab at GTC في 2016، وجائزة Best Paper Award at ACM ICMR في 2012، وجائزة McKinsey Business Technology في عام 2011. ويعمل داميان حاليًا كعضو في مجلس أمناء المعهد الدولي لعلوم الكمبيوتر (ICSI) في بيركلي، كاليفورنيا، ومجلس إدارة الجمعية الألمانية لعلوم البيانات، واللجنة الاستشارية لمعهد رومان هيرزوغ، والمجلس الاستشاري لمعهد HSG في علوم السلوك والتكنولوجيا.
أجرى داميان أبحاث ما بعد الدكتوراه في جامعة كاليفورنيا بمدينة بيركلي والمعهد الدولي لعلوم الكمبيوتر (ICSI) في بيركلي، حيث شارك في مشاريع البيانات الضخمة في مختبر لورانس ليفرمور الوطني. وحصل على درجة الدكتوراه من جامعة كايسرسلاوترن ومركز الأبحاث الألماني للذكاء الاصطناعي (DFKI). وخلال تلك الفترة، كان داميان باحثًا زائرًا في مختبر الفيديو الرقمي والوسائط المتعددة بجامعة كولومبيا، مدينة نيويورك، الولايات المتحدة الأمريكية.
