استخدام البيانات الاصطناعية في الذكاء الاصطناعي المالي، بحذر

تكتسب البيانات الاصطناعية (synthetic data) مكانها في الذكاء الاصطناعي المالي حين تكون البيانات الحقيقية أندر أو أكثر حساسية من أن تُدرَّب عليها أو تُشارَك بأمان. استخدمها لتعزيز فئة احتيال نادرة ولبناء مجموعات تطوير خارج حدود بيئة الإنتاج. أبقِها بعيدة عن مجموعات التقييم لديك، وأثبِت أن المولّد لا يعيد إنتاج أشخاص حقيقيين.

الإغراء واضح. قد يكون الاحتيال المؤكَّد جزءاً من واحد بالمئة من المعاملات. وقد يكون لنمط عقوبات جديد (typology) ثلاثة أمثلة معروفة فحسب. وقد لا يكون لمنتج ائتماني أُطلق في الربع الماضي أيّ حالات تعثّر بعد، لأن التعثّر يحتاج وقتاً كي ينضج. في الحالات الثلاث، فإن الشيء الذي تريد من النموذج أن يتعلّمه أكثر من أيّ شيء آخر هو الشيء الذي لا تملك منه إلا القليل. توليد المزيد منه يبدو وكأنه الحلّ.

وهو كذلك أحياناً. لكن للبيانات الاصطناعية عادةٌ في حلّ المشكلة الظاهرة بينما تُنشئ بهدوء مشكلة أخرى تكتشفها في نهاية الربع، في الإنتاج، على أموال حقيقية. نادراً ما يكون الإخفاق في أن السجلات المولّدة تبدو خاطئة. الإخفاق أنها تبدو صحيحة على نحوٍ يُجمّل مقاييسك ويخفي تسرّباً.

أين تكتسب مكانها فعلاً

هناك بضعة مواقف نلجأ فيها إليها دون تردّد كبير، لأن البديل أسوأ.

• عدم توازن الفئات في نماذج الاحتيال والجرائم المالية. حين تكون الفئة الإيجابية خطأً في التقريب، يستطيع النموذج أن يحقّق دقة 99.9% بأن يصف كل شيء بأنه مشروع. إن الإفراط في أخذ عينات الفئة الأقلية أو توليد صور احتيال معقولة يمنح إشارة التدريب شيئاً تتمسّك به. هذا هو تعزيز البيانات (data augmentation)، ومكانه في طيّة التدريب وحدها.
• بناء بيئة تطوير خارج حدود بيانات الإنتاج. يحتاج المهندسون إلى شيء واقعي لبناء خطوط الأنابيب (pipelines) والخصائص والاختبارات عليه. تتيح نسخة اصطناعية من تدفّق المعاملات لهم العمل دون أن تجلس نسخة من بيانات العملاء الحقيقية في بيئة أدنى ذات ضوابط أضعف. يبقى سلسل النسب (lineage) نظيفاً لأن شيئاً حقيقياً لم يغادر الحدود قطّ.
• حالات الإجهاد والأنماط التي تتوقّعها ولم تلحظها بعد. حلقة هويات اصطناعية (synthetic-identity ring) تُراكم ملفاً رقيقاً على مدى ستة أشهر، أو نمط تجزئة (structuring) أدنى بقليل من عتبة الإبلاغ، أو حساب بغل (mule account) يخمد ثم ينشط. يمكنك ترميز فرضية عن سلوك ما ورؤية ما إذا كان النموذج يلتقطه، قبل أن يكلّفك.
• مشاركة مجموعة بيانات مع مورّد أو عبر حدود قانونية. يمكن لمجموعة مولّدة، اختُبِرت للتسرّب، أن تنتقل حيث لا تستطيع المجموعة الحقيقية.

لاحظ ما تشترك فيه هذه الحالات. البيانات الاصطناعية تسدّ فجوة في التغطية أو تُزيل نسخة من بيانات حقيقية من مكانٍ لا ينبغي أن تكون فيه. إنها لا تحلّ محلّ الحقيقة الأرضية (ground truth) التي تقيّم مقابلها.

الاختبارات التي تُبقيها نزيهة

المولّد المُدرَّب على بيانات حقيقية هو ضغطٌ لتلك البيانات، والضغط يُسرّب. سجلّان كانا متباعدين قد ينتهيان جارَين. وقد يُعاد بناء عميل واحد على نحوٍ قريب بما يكفي لإعادة تعريفه. قبل أن نصف مجموعة اصطناعية بأنها صالحة للاستخدام، تمرّ عبر مجموعة ثابتة من الفحوص، وتُدوَّن النتائج لأثر المراجعة (audit trail).

• اختبار النسخ شبه المطابقة والحفظ (memorization). لكل سجلّ اصطناعي، جِد أقرب جار حقيقي له. إذا تجمّعت المسافات قرب الصفر، فإن المولّد ينسخ بدل أن يولّد، وأنت تشحن أشخاصاً حقيقيين بملصق اصطناعي عليهم.
• استنتاج العضوية (membership inference). درّب مهاجماً على تخمين ما إذا كان سجلّ حقيقي معيّن ضمن مجموعة تدريب المولّد، مستعيناً بالمُخرَج الاصطناعي فقط. إذا استطاع، فالمجموعة ليست حافظة للخصوصية، مهما قال التسويق.
• الأمانة الهامشية والمشتركة (marginal and joint fidelity). التوزيعات أحادية المتغيّر سهلة المطابقة وغير كافية. افحص الارتباطات المهمّة للمهمة: المبلغ مقابل فئة التاجر، والسرعة مقابل عمر الحساب، والبنية المشتركة التي يعيش فيها الاحتيال فعلاً. المولّد الذي يُصيب الهوامش ويُخطئ المفاصل يُعلّم النموذج عالَماً لا وجود له.
• فجوة المنفعة (utility gap). درّب النموذج على الاصطناعي، واختبره على الحقيقي. درّبه على الحقيقي، واختبره على الحقيقي. الفجوة بين النتيجتين تخبرك بما تساويه البيانات الاصطناعية فعلاً. الفجوة الصغيرة إشارة جيدة. أما الفجوة الضئيلة على نحوٍ مريب فتعني عادةً تسرّباً، لا عبقرية.

هذه النقطة الأخيرة هي حيث تحترق معظم الفرق. إذا انتهت سجلات اصطناعية مشتقّة من سلوك عميل حقيقي إلى الطيّة نفسها التي تحتوي سجلات ذلك العميل الحقيقية، فإن تقييمك ملوّث ومقاييسك تكذب. يجب أن يعمل حلّ الكيانات (entity resolution) قبل التقسيم، بحيث يهبط كلّ ما يعود إلى كيان واحد على جانب واحد من الجدار. الاصطناعي والحقيقي، الكيان نفسه، الطيّة نفسها.

إبقاء سلسل النسب مستقيماً

الانضباط التشغيلي لا يقلّ أهمية عن الإحصاء. كل سجلّ اصطناعي يحمل وسماً: أيّ مولّد أنتجه، ومن أيّ لقطة تدريب، وتحت أيّ بذرة عشوائية (random seed)، وفي أيّ تاريخ. يرافق هذا الوسم السجلّ عبر مخزن الخصائص (feature store) إلى كل نموذج لاحق. حين يسأل مُتحقِّق أو مُفتِّش أيٌّ من هذه الأرقام حقيقي، تستطيع الإجابة دون تحقيقٍ جنائي.

قاعدتان لا نحيد عنهما:

• البيانات الاصطناعية لا تدخل مجموعة تقييم أو معيار (benchmark) أبداً. مجموعات التقييم تقيس ما إذا كان النموذج يعمل على الواقع. في اللحظة التي تحتوي فيها سجلات مولّدة، تقيس ما إذا كان النموذج يتفق مع المولّد. الصحة الزمنية (point-in-time correctness) تنطبق هنا أيضاً: يجب أن تعكس المجموعة الحقيقية المحجوزة ما كان معلوماً فعلاً وقت اتخاذ القرار، دون استباق من تسميات نضجت لاحقاً.
• المولّد مُصدَّر ومُراقَب كنموذج. إنه ينجرف (drift). أعِد تدريبه على بيانات أحدث فينزاح التوزيع الاصطناعي، ما يُحرّك بهدوء كل نموذج لاحق عُزِّز به. تتبّع ذلك كما تتبّع انجراف الخصائص (feature drift)، لأنه الإخفاق نفسه مع طبقة إضافية من عدم المباشرة.

بهذا الاستخدام، تؤدّي البيانات الاصطناعية عملاً نزيهاً. توازن فئة احتيال يرفض العالَم أن يوازنها لك، وتتيح للمهندسين بناء خطوط الأنابيب دون الاحتفاظ بهويات حقيقية في بيئة أدنى. ما لا تستطيع فعله هو أن تخبرك ما إذا كان النموذج على صواب. الانضباط في معظمه يدور حول ألا تدعها تتظاهر بغير ذلك أبداً. المولّد أداة للتغطية. أما الواقع فيبقى الحَكَم.