منع الغش ومكافحة غسل الأموال

تقليل المخاطر مع تقديم خدمة عملاء سلسة

ويشكل الاحتيال المالي تحديًا رئيسيًا لصناعة الخدمات المالية. لا يأتي فقط بأشكال مختلفة، ولكن غالبًا ما يكون من الصعب اكتشافه بسبب تعقيد العلاقات بين الكيانات والأنماط الخفية. ويجب على المؤسسات المالية، بمجرد اكتشافها، إخطار العملاء بنشاط احتيالي في الوقت الفعلي واتخاذ إجراءات فورية لإيقافه - على سبيل المثال، عن طريق حظر بطاقة ائتمان العميل.

يتم تنظيم صناعة الخدمات المالية أيضًا ويجب عليها الإبلاغ عن أنشطة مكافحة غسل الأموال وإكمال العناية الواجبة لعملائها باستخدام عمليات تعرف على عميلك (أو اعرف عميلك). غالبًا ما يتطلب ذلك تحليل البيانات عبر المنتجات والأسواق والمناطق الجغرافية لتحديد العلاقات والأنماط لـ AML.

من الناحية المفاهيمية، غسل الأموال بسيط: يتم تمرير الأموال القذرة، ومزجها بأموال مشروعة، ثم تحويلها إلى أصول صعبة. في الواقع، إنها أكثر تعقيدًا بكثير، حيث تعتمد على سلسلة طويلة ومعقدة من التحويلات الصالحة بين الحسابات التي تم إنشاؤها باستخدام هويات اصطناعية (غالبًا ما تكون مسروقة) وغالبًا ما تستخدم معلومات مماثلة، مثل البريد الإلكتروني وعناوين الشوارع. باختصار، ينطوي على كمية هائلة من البيانات، وهذا هو السبب في أن النظام الأساسي الموحد للبيانات الذي يدعم التقنيات التحليلية المتقدمة، مثل تحليل الرسم البياني، ضروري لبرامج مكافحة غسل الأموال.

حماية كل من العملاء والمؤسسات باستخدام التعلم الآلي

ولا تزال صناعة الخدمات المالية تخضع لمراقبة وتنظيم كبيرين، ولم تشهد سوى مجالات قليلة زيادة في التركيز التنظيمي مقارنة بأنشطة مكافحة غسل الأموال وتمويل الإرهاب. إن الاحتيال المالي، الذي تقوده شبكات إجرامية واسعة، يمثل تحديًا متطورًا ومتزايدًا يتطلب حلولًا لمكافحة غسل الأموال توفر رؤى عبر المؤسسة والعالم بأسره.

توضح البنية التالية كيف يمكن دمج مكونات Oracle وإمكاناتها، بما في ذلك التحليلات المتقدمة والتعلم الآلي، لإنشاء نظام أساسي للبيانات يغطي دورة حياة تحليلات البيانات بأكملها ويقدم الرؤى التي تحتاج إليها فرق مكافحة غسل الأموال لتحديد الأنماط غير الطبيعية في السلوك التي يمكن أن تشير إلى النشاط الاحتيالي.

توضح هذه الصورة كيف يمكن استخدام Oracle Data Platform للخدمات المالية لدعم أنشطة مكافحة الاحتيال وقائمة المصنِّعين المعتمدين. وتشمل المنصة الدعائم الخمس التالية:

• مصادر البيانات، الاكتشاف
• الاتصال والاستيعاب والتحويل
• الاحتفاظ، التوقع، الإنشاء
• التحليل والتعلم والتنبؤ
• القياس. الإجراء

يتضمن ركيزة مصادر البيانات والاكتشاف فئتين من البيانات.

تشتمل بيانات سجل الأعمال (الطرف الأول) على معاملات بطاقات الائتمان ومعلومات الحساب وتدفقات أحداث ماكينات الصراف الآلي.

تتضمن بيانات الطرف الثالث المواجز الاجتماعية.

تضم دعامة الاتصال والاستيعاب والتحويل أربع إمكانات.

يستخدم النقل المجمع OCI FastConnect ونقل بيانات OCI وMFT وOCI CLI.

يستخدم استيعاب الدفعة أدوات تكامل بيانات OCI وOracle Data Integrator وDB.

يستخدم تسجيل بيانات التغيير OCI GoldenGate وOracle Data Integrator.

يستخدم استيعاب التدفق OCI Streaming وKafka Connect.

تتصل جميع الإمكانات الأربع بشكل أحادي الاتجاه إلى إمكانات تخزين البيانات/بحيرة البيانات السحابية داخل الركيزة Persist وCrecision وCreate.

بالإضافة إلى ذلك، يرتبط استيعاب التدفق بمعالجة التدفق ضمن دعامة التحليل والتعلم والتنبؤ.

تتكون دعامة الاستمرار والدقة والإنشاء من أربع قدرات.

يستخدم مخزن البيانات المقدم Autonomous Data Warehouse وExadata Cloud Service.

تخزين السحابة/بحيرة البيانات تستخدم OCI Object Storage.

تستخدم المعالجة الدفعية تدفق بيانات OCI.

تستخدم الحوكمة OCI Data Catalog.

هذه القدرات مرتبطة بالركيزة. تخزين السحابة/بحيرة البيانات متصلة بشكل غير مباشر بمخزن بيانات الخدمة؛ كما أنها متصلة بشكل ثنائي الاتجاه بمعالجة الدفعة.

تتصل إحدى الإمكانيات في ركيزة التحليل والتعلم والتنبؤ: يتصل مخزن بيانات الخدمة بشكل أحادي الاتجاه بالتحليلات والتمثيل المرئي وخدمات الذكاء الاصطناعي وإمكانات التعلم الآلي والتوجيه ثنائيًا إلى قدرة تحليلات البث.

تشتمل دعامة التحليل والتعلم والتنبؤ على أربع إمكانات.

تستخدم التحليلات والتمثيل المرئي Oracle Analytics Cloud وGraphStudio وموردي البرامج المستقلين (ISV).

تستخدم خدمات الذكاء الاصطناعي اكتشاف OCI الشاذ وتوقع OCI ولغة OCI

يستخدم التعلم الآلي علوم بيانات OCI وOracle Machine Learning Notebooks.

تستخدم تحليلات التدفق OCI GoldenGate Stream Analytics.

يشتمل القياس، ركيزة Act على ثلاثة مستهلكين: لوحات المعلومات والتقارير والتطبيقات ونماذج التعلم الآلي.

يتألف الأشخاص والشركاء من خرائط الحرارة الجغرافية، وإعداد التقارير التنظيمية، والتحليلات التنبؤية لكيان المخاطر العالية، واتجاهات الاحتيال.

تشتمل التطبيقات على اكتشاف العمليات الشاذة، وتعدين النصوص، ومعالجة اللغة الطبيعية (NLP).

تشتمل نماذج التعلم الآلي على تحليل الشبكة، وتحليل السلوك، وفحص قائمة المراقبة.

الركائز الأساسية الثلاثة - الاستيعاب، والتحويل؛ والاستمرار، والدقة، والإنشاء، والتحليل، والتعلم، والتنبؤ - مدعومة بالبنية الأساسية، والشبكة، والأمان، وIAM.

هناك ثلاث طرق رئيسية لإدخال البيانات في بنية لتمكين مؤسسات الخدمات المالية من تحديد النشاط الاحتيالي المحتمل.

• للبدء، نحتاج إلى بيانات من أنظمة المعاملات والتطبيقات المصرفية الأساسية. يمكن إثراء هذه البيانات ببيانات العملاء من مصادر الطرف الثالث، والتي قد تتضمن بيانات غير منظمة من وسائل التواصل الاجتماعي على سبيل المثال. عمليات الاستخراج المتكررة في الوقت الفعلي أو في أقرب وقت فعلي والتي تتطلب تغيير التقاط البيانات شائعة، ويتم استيعاب البيانات بانتظام من أنظمة المعاملات والمخاطر وإدارة العملاء باستخدام Oracle Cloud Infrastructure (OCI) GoldenGate. تعد OCI GoldenGate أيضًا مكونًا حيويًا في تطوير بنى شبكات البيانات حيث تتم إدارة "منتجات البيانات" عبر دفاتر أستاذ بيانات المؤسسة وتدفقات بيانات متعددة اللغات التي تنفذ عمليات التحويل والتحميل المستمرة (بدلاً من استيعاب الدفعة واستخراجها وتحويلها وتحميلها المستخدمة في البنى الأحادية).
• يمكننا الآن استخدام استيعاب العمليات لاستيعاب البيانات من مستشعرات IoT، وخطوط أنابيب الويب، وملفات السجلات، وأجهزة نقاط البيع، وأجهزة الصراف الآلي، والوسائط الاجتماعية، ومصادر البيانات الأخرى في الوقت الفعلي عبر OCI Streaming/Kafka. يتم استيعاب هذه البيانات المتدفقة (الأحداث) ويتم إجراء بعض التحويلات/التجميعات الأساسية قبل تخزين البيانات في التخزين السحابي. بالتوازي مع الإدخال، يمكننا ترشيح كميات كبيرة من البيانات وتجميعها وربطها وتحليلها من مصادر متعددة في الوقت الحقيقي باستخدام تحليلات التدفق. وهذا لا يساعد المؤسسات المالية على كشف التهديدات والمخاطر التجارية - على سبيل المثال، المعاملات المشبوهة من أجهزة الصراف الآلي، مثل المعاملات المتكررة المتعددة - ولكنه يوفر أيضًا رؤى حول كفاءتها العامة لمنع الاحتيال. يمكن تغذية الأحداث المرتبطة والأنماط المحددة (يدويًا) لفحص علوم البيانات للبيانات الخام. بالإضافة إلى ذلك، يمكن إنشاء أحداث لتشغيل الإجراءات، مثل إخطار العملاء بالاحتيال المحتمل عبر البريد الإلكتروني أو الرسائل القصيرة أو حظر بطاقات الخصم المعرضة للخطر. Oracle GoldenGate Stream Analytics هي تقنية في الذاكرة تُجري عمليات حسابية تحليلية في الوقت الفعلي عن تدفق البيانات.
• في حين أن الاحتياجات في الوقت الفعلي تتطور، فإن الاستخراج الأكثر شيوعًا من الأنظمة المصرفية الأساسية والعملاء والمالية هو استيعاب الدفعة باستخدام عملية الاستخراج والتحويل والتحميل. استيعاب الدفعة يُستخدم لاستيراد البيانات من الأنظمة التي لا يمكنها دعم استيعاب التدفق (على سبيل المثال، أنظمة الحاسبات الكبيرة القديمة). بالنسبة لعمليات مكافحة غسل الأموال ومعرفة عملائك، يتم الحصول على البيانات من أنظمة تشغيل مختلفة، مثل أنظمة معالجة معاملات الحسابات الدائنة والحالية، وموجزات بيانات الجهات الخارجية التي توفر معلومات العملاء. يتم تحديد مصدر البيانات عبر المنتجات والمناطق الجغرافية. يمكن أن تكون عمليات الإدخال الدفعي متكررة، في كثير من الأحيان كل 10 أو 15 دقيقة، ولكنها لا تزال مجمعة في طبيعتها حيث يتم استخراج مجموعات من المعاملات ومعالجتها بدلاً من المعاملات الفردية. تقدم OCI خدمات مختلفة لمعالجة استيعاب الدفعة، مثل خدمة تكامل بيانات OCI الأصلية أو Oracle Data Integrator تعمل على طبعة OCI Compute. ووفقًا لوحدات التخزين وأنواع البيانات، يمكن تحميل البيانات إلى تخزين الكائنات أو تحميلها مباشرةً إلى قاعدة بيانات علائقية منظمة للتخزين الدائم.

يتم بناء استمرارية البيانات ومعالجتها على ثلاثة مكونات (أربعة مكونات اختياريًا).

• يتم تخزين البيانات الأولية المُدخلة في تخزين السحابة لأغراض الخوارزمية؛ نستخدم تخزين كائنات OCI كطبقة ثبات البيانات الأساسية. Spark في تدفق بيانات OCI هو محرك معالجة الدفعة الأساسي للبيانات مثل بيانات المعاملات والموقع والتطبيق والتخطيط الجغرافي. تتضمن المعالجة الدفعية العديد من الأنشطة، بما في ذلك المعالجة الأساسية للضوضاء وإدارة البيانات المفقودة والتصفية بناءً على مجموعات البيانات الصادرة المحددة. تتم إعادة كتابة النتائج إلى طبقات مختلفة من تخزين الكائنات أو إلى مخزن علائقي دائم استنادًا إلى المعالجة المطلوبة وأنواع البيانات المستخدمة.
• يتم إرجاع مجموعات البيانات التي تمت معالجتها هذه إلى التخزين السحابي للاستمرارية، والطول، والتحليل، وفي نهاية المطاف للتحميل في نموذج محسّن إلى مخزن بيانات الخدمة، المقدمة هنا من Oracle Autonomous Database. يتم الآن الاحتفاظ بالبيانات في النموذج العلائقي المحسّن لأداء الاستعلام والدمج. بدلاً من ذلك، بناءً على التفضيل الهيكلي، يمكن تحقيق ذلك باستخدام Oracle Big Data Service كمجموعة Hadoop مُدارة. في حالة الاستخدام هذه، يتم الوصول إلى جميع البيانات اللازمة لتدريب نماذج التعلم الآلي بشكل أولي من تخزين الكائنات. لتدريب النماذج، يتم دمج الأنماط التاريخية مع السجلات على مستوى المعاملات لتحديد المخاطر المحتملة وتسميةها. إن الجمع بين مجموعات البيانات هذه مع مجموعات أخرى، مثل بيانات الجهاز والبيانات الجغرافية المكانية، يتيح لنا تطبيق تقنيات علم البيانات لتحسين النماذج الحالية وتطوير نماذج جديدة للتنبؤ بالاحتيال المحتمل بشكل أفضل. كما يمكن استخدام هذا النوع من الاستمرارية لتخزين البيانات الخاصة بالمخططات التي تعد جزءًا من مخازن البيانات التي يتم الوصول إليها عبر الجداول الخارجية والمقاطع المختلطة.

تعتمد القدرة على التحليل والتنبؤ والتصرف على ثلاثة مناهج تقنية.

• تقدم خدمات التحليلات والتمثيل المرئي، مثل Oracle Analytics Cloud، تحليلات تستند إلى البيانات المنسقة من مخزن بيانات الخدمة. يتضمن ذلك التحليلات الوصفية (تصف اتجاهات تعريف الاحتيال الحالية والنشاط المميز برسوم بيانية ومخططات)، والتحليلات التنبؤية، مثل تحليل السلاسل الزمنية (تتوقع الأنماط المستقبلية، وتحدد الاتجاهات، وتحدد احتمالية النتائج غير المؤكدة)، والتحليلات الإرشادية (تقترح إجراءات مناسبة تؤدي إلى اتخاذ القرارات المثلى). يمكن استخدام هذه التحليلات للإجابة عن أسئلة مثل: كيف تتم مقارنة الاحتيال الفعلي المميز بعلامة هذه الفترة بالفترات السابقة؟
• إلى جانب التحليلات المتقدمة، يتم تطوير نماذج التعلم الآلي وتدريبها ونشرها. يمكن تشغيل هذه النماذج المدربة على كل من بيانات المعاملات الحالية والتاريخية لاكتشاف غسل الأموال من خلال مطابقة أنماط المعاملات والسلوكيات، ويمكن الاحتفاظ بالنتائج مرة أخرى إلى طبقة الخدمة وإعداد التقارير باستخدام أدوات التحليلات مثل Oracle Analytics Cloud. ولتحسين التدريب على النماذج، يمكن أيضًا إدخال النموذج والبيانات في أنظمة التعلم الآلي، مثل علوم بيانات OCI، لمزيد من التدريب على النماذج لاكتشاف أنماط أكثر فعالية لمكافحة غسل الأموال قبل الترويج لها. يمكن الوصول إلى هذه النماذج عبر واجهات برمجة التطبيقات، أو نشرها في مخزن بيانات الخدمة، أو تضمينها كجزء من مسار تحليلات تدفق OCI GoldenGate.
• بالإضافة إلى ذلك، يمكننا استخدام الإمكانات المتقدمة لخدمات الذكاء الاصطناعي السحابية الأصلية.
  • تعد OCI Anomaly Detection خدمة ذكاء اصطناعي تسهل إنشاء نماذج اكتشاف شاذة خاصة بالأعمال تشير إلى الحوادث الخطيرة، مما يزيد من سرعة الكشف عنها وحلها. في حالة الاستخدام هذه، نقوم بنشر هذه النماذج لاكتشاف الاحتيال أثناء دورة حياة المعاملة؛ وأثناء عمليات التدقيق؛ وفي سياقات محددة، على سبيل المثال، على أساس المورد أو التاجر أو نوع المعاملة؛ وفي العديد من السيناريوهات الأخرى. يمكن لـ OCI Anomaly Detection تحديد جميع أنواع الاحتيال هذه باستخدام البيانات التاريخية وإنشاء نموذج اكتشاف شاذ مناسب. على سبيل المثال، إذا كانت مجموعة البيانات تتضمن نوع المعاملة مع المبلغ والموقع (خط الطول وخط الطول) واسم المورد وتفاصيل أخرى، فيمكن أن يحدد اكتشاف OCI الشاذ ما إذا كان الاحتيال مرتبطًا بمبلغ المعاملة أو حساب المعاملة أو الموقع الذي حدثت فيه المعاملة أو المورد الذي قدم المعاملة.
  • يمكن استخدام OCI Forecasting لتقدير مقاييس المعاملات، مثل عدد المعاملات ومبالغ المعاملات وما إلى ذلك، لليوم أو الأسبوع أو الأشهر التالية كوظيفة للمقاييس الحالية والتأثير على ظروف السوق. ويمكن استخدام هذه التنبؤات للتخطيط وتحديد توقع أساسي لاستخدامه في الحماية من غسل الأموال وغيره من عمليات الاحتيال.
  • يمكن لـ OCI Language وOCI Vision استيعاب المستندات والنصوص التي يمكن أن تساعد في إثراء البيانات للكشف عن الاحتيال وأنشطة مكافحة غسل الأموال.
• إدارة البيانات هي مكون آخر مهم. يتم توفير ذلك من خلال OCI Data Catalog، وهي خدمة مجانية توفر إدارة البيانات وإدارة بيانات التعريف (لكل من البيانات الوصفية التقنية وبيانات تعريف الأعمال) لجميع مصادر البيانات في النظام البيئي لمستودع البيانات. تعد OCI Data Catalog أيضًا مكونًا مهمًا للاستعلامات من Oracle Autonomous Data Warehouse إلى OCI Object Storage حيث توفر طريقة لتحديد موقع البيانات بسرعة بغض النظر عن طريقة التخزين الخاصة بها. وهذا يسمح للمستخدمين والمطورين وعلماء البيانات باستخدام لغة وصول مشتركة (SQL) عبر جميع مخازن البيانات المستمرة في البنية.
• أخيرًا، يمكن عرض بياناتنا ونماذجنا المنسقة والمُختبرة وعالية الجودة والخاضعة للحوكمة كمنتج بيانات (API) ضمن بنية شبكة بيانات للتوزيع عبر مؤسسة الخدمات المالية.

تحسين منع الاحتيال وأنشطة مكافحة غسل الأموال من خلال النظام الأساسي المناسب للبيانات

يمكن أن تساعد Oracle Data Platform مؤسستك على اكتشاف غسل الأموال بشكل أكثر فعالية، وتعزيز دقة وكفاءة تحقيقات الجرائم المالية، وتبسيط عمليات إعداد التقارير للحفاظ على انخفاض تكاليف الامتثال.