تضمينات الرسوم البيانية لمكافحة غسل الأموال والاحتيال

تحوّل تضمينات الرسوم البيانية (graph embeddings) كل حساب إلى متجّه (vector) يشفّر موقعه ضمن شبكة المعاملات: مَن يدفع له، وكيف تتصرّف الحسابات المجاورة له. وفي سياق مكافحة غسل الأموال والاحتيال، يتيح ذلك للنموذج أن يقيّم أشكالًا شبكية لم يكتب لها أي محلّل قاعدة. المعضلة أن المتجّه الخام لا يشرح شيئًا بذاته، لذا فإن التحدي التصميمي هو الحفاظ على قيمة التنبؤ (lift) دون فقدان مسار التدقيق.

معظم الفرق تبني بالفعل ميزات الرسم البياني يدويًا. عدد الأطراف المقابلة المتمايزة خلال 30 يومًا، ونِسَب التدفق الداخل والخارج (fan-in وfan-out)، ودرجة جهاز مشترك، وما إذا كان الحساب يبعد قفزتين (two hops) عن بغل مالي معروف. هذه الميزات فعّالة، وينبغي الإبقاء عليها. لكنها لا تلتقط سوى الأنماط التي فكّر أحدهم في تعدادها. إن مخطط تمويه (layering) يوجّه الأموال عبر مجموعة متبدّلة من الوسطاء، كلٌّ منهم بمفرده غير لافت للنظر، سيتجاوز كل عتبة مصممة يدويًا بينما يكون جليًّا بوصفه بنية. تعلّم التمثيل (representation learning) هو السبيل للوصول إلى هذه البنية دون تسميتها مسبقًا.

ما الذي يتعلّمه التضمين فعليًا

التضمين دالة تُحوِّل عقدة وجوارها إلى متجّه ثابت الطول، مدرَّبة بحيث تحطّ العقد ذات المواقع المتشابهة قريبةً بعضها من بعض. وثمة عائلتان جديرتان بالمعرفة.

• التضمينات السطحية (node2vec وما يشبهها) تتعلّم متجّهًا واحدًا لكل عقدة من مسارات عشوائية (random walks) فوق الرسم البياني. تدريبها زهيد، وتلتقط بنية المجتمعات (community structure) جيدًا، ما يجعلها نموذجًا أوليًا معقولًا. عيبها أنها استنباطية-انتقالية (transductive): العقدة التي لم تكن ضمن رسم التدريب لا متجّه لها، فالحساب الجديد كليًا لا يحصل على شيء حتى تعيد التدريب.
• الشبكات العصبية للرسوم البيانية (شبكة عصبية بيانية (GNN) مثل GraphSAGE) تتعلّم دالةً تجمّع ميزات العقدة وميزات جيرانها. ولأنها تعمل على الميزات لا على الهويات، فإنها تُعمِّم على عقد لم تكن موجودة وقت التدريب، وهو ما يهمّ حين تكون الحسابات التي تريد تقييمها أكثر من غيرها هي تلك المفتوحة الأسبوع الماضي.

في بيئة مكافحة غسل الأموال المباشرة، تكون الخاصية الاستقرائية (inductive) هي الحاسمة عادةً. فشبكات البغال المالية وحلقات الاحتيال في تبدّل مستمر. وإذا كان تضمينك عاجزًا عن تقييم عقدة ظهرت بعد آخر جولة تدريب، فقد بنيت شيئًا لا يعمل إلا على الماضي.

إشارة التدريب لا تقلّ أهمية عن المعمارية. فالأهداف ذاتية الإشراف (self-supervised)، كالتنبؤ بحافة مقنّعة أو مقارنة جوار حقيقي بجوار مُفسَد، تمنحك تضمينات دون حاجة إلى تسميات، وهو أمر صادق إزاء واقع أن تسميات غسل الأموال المؤكَّدة نادرة ومتأخرة زمنيًا. وحيث تتوفّر لديك تسميات من تقارير النشاط المشبوه (SARs) المقدَّمة أو من احتيال مؤكَّد، فإن هدفًا خاضعًا للإشراف أو شبه خاضع له يشحذ الفضاء نحو المخاطر التي تعنيك. نحن عادةً نُشغّل كليهما: قاعدة ذاتية الإشراف تلتقط البنية العامة، ثم نُهذّبها (fine-tune) على أي حالات مؤكَّدة متوفرة.

بناء الرسم البياني دون تسريب المستقبل

هنا تنهار بهدوء معظم مشاريع الرسوم البيانية لمكافحة غسل الأموال، والفشل لا يظهر حتى تخيّب بيئة الإنتاج الآمال. تبدو مقاييس التدريب ممتازة لأن الرسم البياني الذي ضمّنته يحتوي أصلًا على النتيجة التي تتنبأ بها.

صحّة التوقيت اللحظي (point-in-time correctness) على رسم بياني أصعب منها على جدول ميزات مسطّح، لأن الحواف تحمل زمنًا والتأثير ينتشر عبرها. وإليك ثلاث قواعد نلتزم بها.

• لكل حافة طابع زمني «كما في» (as-of)، والرسم البياني الذي تقيّمه عند الزمن T لا يحوي سوى الحواف المرصودة عند T أو قبله. فقد لا يصبح جار الحساب عالي المخاطر إلا بعد نقطة قرارك. تضمين تلك الحافة استشرافٌ للمستقبل (lookahead)، وهو الطريقة الأكثر شيوعًا التي تبالغ بها نماذج غسل الأموال البيانية في تقدير قيمتها التنبؤية.
• تُصفّى ميزات العقد بالطريقة نفسها. فإجمالي حجم معاملات طرف مقابل، وتاريخه من تقارير النشاط المشبوه، ودرجته، كلّها يجب أن تعكس ما كان معلومًا عند T. وهذا يعني أن مطابقة الكيانات (entity resolution) التي تدمج الحسابات في عميل واحد يجب أيضًا إعادة بنائها «كما في» تلك اللحظة، لأن قرار دمج اتُّخذ الشهر الماضي لم يكن موجودًا عند نقطة القرار التي تختبرها بأثر رجعي.
• التسميات تأتي من نافذة النتيجة، والميزات تأتي مما قبلها. حافظ على جدار صارم بين الفترة التي تبني منها الرسم البياني والفترة التي تقرأ منها التسمية، مع فجوة تعكس التأخّر الحقيقي في الكشف.

النتيجة العملية أنك لا تستطيع تضمين لقطة واحدة من الرسم البياني الراهن واختباره بأثر رجعي على الماضي. فإما أن تعيد بناء الرسم البياني كما كان عند كل نقطة تقييم، أو أن تقبل أن مجموعة التقييم لديك ملوَّثة. إعادة البناء مكلفة، وهذه الكلفة بالذات هي ما يفصل نموذجًا يصمد في الإنتاج عن آخر بدا جيدًا في دفتر ملاحظات (notebook).

الحفاظ على قابلية تفسير يقبلها المفتّش

المتجّه ليس سببًا. فبموجب اللائحة SR 11-7 يخضع نموذجك للتحقّق (validation)، والمحقّق الذي يقدّم تقرير نشاط مشبوه يحتاج إلى سرد مستند إلى وقائع. ولا يحقّق أيٌّ من الأمرين إحداثيةُ تضمين. لذا يقود التضمينُ الدرجةَ، وتنتج طبقةٌ ثانية التفسير.

• قيّم بالتضمين، واشرح بالرسم الجزئي. حين يحصل حساب على درجة عالية، استخرج الجوار ضمن k قفزات الأكثر تأثيرًا في الدرجة واعرضه: الأطراف المقابلة المشتركة، وتوقيت التدفقات، والمسارات التي تربطه بحالات مؤكَّدة سابقة. عندئذٍ يستدلّ المحقّق على حواف يمكنه النقر عليها بدلًا من إحداثية.
• انسب الدرجة إلى البنية لا إلى الإحداثيات. يمكن لطرق العزو (attribution) الخاصة بالشبكات العصبية البيانية أن تحدّد الحواف وميزات الجيران التي حرّكت التنبؤ. وهذا يمنحك جملًا مثل «مرتفع بسبب تحويلات متكررة في اليوم نفسه إلى ثلاثة أطراف مقابلة تُوجّه هي بدورها الأموال إلى حساب معلَّم»، وهو أمر يمكن الدفاع عنه على نحو لا تبلغه عبارة «مسافة في الفضاء الكامن (latent space)».
• أبقِ التضمين ميزةً لا قرارًا. غذِّ درجة التضمين إلى النموذج نفسه ومسار التنبيه نفسه اللذين تُغذّي إليهما ميزاتك المصممة يدويًا. عندئذٍ تنطبق توثيق النماذج المعياري، وأهمية الميزات (feature importance)، واختبار البطل-والمتحدّي (champion-challenger). فيغدو التضمين داخل نظام تعرف بالفعل كيف تتحقّق منه، لا صندوقًا أسود مركَّبًا على جانبه.
• راقب الانزياح (drift) على المتجّهات نفسها. يتحرك توزيع التضمينات مع تطوّر الرسم البياني وتكيّف الاحتيال. راقِبه، لأن انزياحًا في فضاء التضمين كثيرًا ما يكون أبكر إشارة إلى أن نمطًا تصنيفيًا قد تغيّر وأن ميزانية إنذاراتك الكاذبة على وشك أن تنفجر.

تابِع النظام بأكمله في مواجهة مجموعة تقييم ثابتة برسوم بيانية لحظية التوقيت، وأخضِع درجة التضمين لميزانية الإنذارات الكاذبة نفسها التي يخضع لها كل شيء آخر في منظومة التنبيه. بهذه الطريقة، يشتري لك تعلّم التمثيل كشفَ بنى لم يعدّها أحد، ويظل المفتّش يحصل على تنبيه مبنيّ من حواف وطوابع زمنية وأطراف مقابلة يمكنه تتبّعها.