يتطور الكشف عن الاحتيال في الوقت الفعلي بسرعة كبيرة، لأن المدفوعات الفورية لا تترك مجالاً يُذكر للاسترداد. وقد شهدنا تحديثاً هاماً في 2 سبتمبر 2026، عندما أعلنت فيزا عن خدمة A2A Protect المُحسّنة، التي تجمع بين تقنيات فيزا وFeaturespace في نظام موحد لتقييم الاحتيال في المدفوعات بين الحسابات. لا يكمن الهدف في أن منتجاً واحداً يحل مشكلة الاحتيال، بل في أن المؤسسات المالية تُدمج بشكل متزايد الذكاء الاصطناعي على مستوى المعاملات مع المؤشرات السلوكية ومعلومات الشبكة قبل خروج الأموال من الحساب.
هذا الأمر بالغ الأهمية لأن عملية الدفع باتت تتم من المرسل إلى المستلم في غضون ثوانٍ. لا يمكن للبنك انتظار معالجة الدفعات التي تستغرق ليلة كاملة ليقرر ما إذا كان التحويل مشبوهاً. يجب على نظام مكافحة الاحتيال جمع المؤشرات، وتقييم المخاطر، وتطبيق السياسات، واختيار الإجراء المناسب خلال فترة التفويض أو الدفع، مع الحرص في الوقت نفسه على الموافقة على المعاملات المشروعة بسرعة.
يتوفر إعلان فيزا لشهر سبتمبر 2026 في إصدار A2A Protect . وهو مثال واحد على توجه أوسع في القطاع نحو اتخاذ القرارات في الوقت الفعلي بناءً على معلومات الشبكة، بدلاً من الاعتماد فقط على قواعد ثابتة داخل مؤسسة واحدة.
يعتمد الكشف عن الاحتيال باستخدام الذكاء الاصطناعي على استخدام النماذج الإحصائية ونماذج التعلم الآلي لتقدير ما إذا كان النشاط مشروعًا أم مشبوهًا. في مجال المدفوعات، نادرًا ما يعمل النموذج بمفرده، بل عادةً ما يكون جزءًا من نظام اتخاذ قرارات أوسع يشمل أيضًا قواعد حتمية، وضوابط مصادقة، وحدود سرعة، وعقوبات أو عمليات تدقيق امتثال، وتحقيقات بشرية.
في حالة الشراء بالبطاقة، قد تتخذ المؤسسة قرارًا بشأن الموافقة أو الرفض أو طلب مصادقة أقوى. أما في حالة التحويل الفوري بين الحسابات، فقد تقرر ما إذا كانت ستسمح بالدفع، أو توقفه مؤقتًا حيث يسمح نظام الدفع والقانون بذلك، أو تطلب تأكيدًا إضافيًا من العميل، أو تحيل العملية إلى فريق مكافحة الاحتيال.
تُقدّم فيزا في عرضها الحالي لأنظمة كشف الاحتيال بالذكاء الاصطناعي، والذي يُقدّم وصفاً للأنظمة التي تعمل في الوقت الفعلي، والتي تُحلّل بيانات المعاملات والسلوك بدلاً من الاعتماد فقط على القواعد الثابتة أو القوائم السوداء. ويظل هذا التصميم الأساسي متيناً حتى مع تغيّر النماذج والموردين.
كانت برامج مكافحة الاحتيال التقليدية تتيح وقتاً أطول في بعض عمليات الدفع لمراجعة أي نشاط غير معتاد بعد وقوعه. أما المدفوعات الفورية فتختصر هذا الإطار الزمني. فعلى سبيل المثال، تتيح خدمة FedNow التابعة للاحتياطي الفيدرالي للمؤسسات المشاركة إرسال واستقبال المدفوعات على مدار الساعة، مع حصول المستلمين على الأموال فوراً.
في يونيو 2025، أضافت خدمات الاحتياطي الفيدرالي المالية ميزة تحديد عتبة نشاط الحساب إلى منصة FedNow. ويمكن للمؤسسات المشاركة تحديد عتبات قيمة الدولار وسرعة المعاملات حسب شريحة العملاء. يُعدّ هذا مثالًا مفيدًا على أساليب مكافحة الاحتيال الحديثة: فالذكاء الاصطناعي يُمثّل طبقةً واحدة، بينما تظلّ الضوابط البسيطة، مثل حدود المبلغ والتكرار، قيّمةً نظرًا لسرعتها وشفافيتها وسهولة دمجها مع نتائج النماذج. راجع إعلان خدمات الاحتياطي الفيدرالي المالية .
يبدأ النظام بالدفع نفسه: المبلغ، التاجر أو المستلم، الوقت، القناة، نوع الدفع، العملة، ومعرفات الحساب. لا ينبغي أن تدخل عملية شراء بقالة بقيمة 12 دولارًا وتحويل مبلغ 12000 دولار لمستلم جديد في نفس مسار القرار لمجرد أن كليهما دفعات.
تتم مقارنة عملية الدفع بسلوك الحساب الأخير. تشمل المؤشرات المفيدة سجل تسجيل الدخول، وهوية الجهاز، وخصائص عنوان IP أو الشبكة، وثبات الموقع الجغرافي، والمدة الزمنية منذ تغيير كلمة المرور أو بيانات الاتصال، وعمر الحساب، وسرعة المعاملات، والمستلمين السابقين، ومبالغ الدفع المعتادة.
تساعد هذه الميزات في التمييز بين "غير المعتاد" و"الاحتيالي". قد يبدو شراء العميل لتذكرة طيران من بلد آخر أمرًا غير معتاد في حد ذاته، ولكنه يبدو طبيعيًا عندما يرى النظام أيضًا حجز سفر حديث، وجهازًا معروفًا، وعلاقة طويلة الأمد مع حامل البطاقة.
يسهل اكتشاف بعض عمليات الاحتيال عبر شبكة واسعة مقارنةً باكتشافها داخل حساب واحد. فقد تشمل حسابات الغش، وعمليات الاحتيال المنسقة، والهويات المزيفة، وهياكل غسيل الأموال، العديد من المرسلين والمستلمين المنتشرين عبر مؤسسات مختلفة.
استكشف مشروع هيرتا التابع لبنك التسويات الدولية، والمنشور في يونيو 2025، تحليلات المعاملات القائمة على الذكاء الاصطناعي لأنظمة الدفع الإلكتروني الفورية. في تجارب أُجريت باستخدام مجموعة بيانات اصطناعية تضم 1.8 مليون حساب و308 ملايين معاملة، ساعدت إضافة تحليلات نظام الدفع البنوك ومقدمي خدمات الدفع المُحاكاة على تحديد 12% من الحسابات غير المشروعة، مع تحسن بنسبة 26% في رصد السلوكيات غير المرصودة سابقًا. هذه نتائج تجريبية على بيانات اصطناعية، وليست ضمانات لأداء البنوك العاملة فعليًا. تكمن قيمة المشروع في الدرس التصميمي: إذ يمكن لأنماط الشبكة أن تكشف عن علاقات لا يستطيع البنك الفردي رؤيتها من سجلاته الخاصة. راجع تقرير مشروع هيرتا الصادر عن بنك التسويات الدولية .
تقوم النماذج بتحويل الخصائص إلى احتمالية أو درجة أو فئة مخاطر. قد تستخدم المؤسسات عدة نماذج في آن واحد - على سبيل المثال، نموذج للاستيلاء على الحسابات، وآخر للاحتيال باستخدام البطاقات الإلكترونية، وآخر لمخاطر الاحتيال، ونموذج شبكة لعلاقات المستلمين المشبوهة.
لا يُعدّ تقييم النموذج قرارًا نهائيًا تلقائيًا. فقد يجمع البنك بينه وبين قواعد أخرى مثل "جهاز جديد، ومستفيد جديد، ومبلغ مرتفع بشكل غير معتاد"، أو مع عتبات خاصة بشرائح العملاء. والهدف هو تحقيق التوازن بين خسائر الاحتيال وتكلفة حظر العملاء الحقيقيين.
تشمل النتائج النموذجية الموافقة، والرفض، والتحقق الإضافي، وطلب التأكيد، والتأجيل عند السماح بذلك، أو الإحالة للمراجعة. ويعني التحقق الإضافي طلب دليل أقوى فقط عند ارتفاع مستوى المخاطر، على سبيل المثال، تأكيد إضافي داخل التطبيق أو عامل تحقق آخر.
يجب أن يكون محرك اتخاذ القرار سريعًا بما يكفي ليتناسب مع عملية الدفع. عادةً ما تتخذ منصات تفويض البطاقات قرارات المخاطر في أجزاء من الثانية، بينما لا تستغرق أنظمة الدفع الفوري سوى ثوانٍ معدودة من بدء العملية إلى إتمامها.
| مجموعة الإشارات | أمثلة | ما يمكن أن يكشفه |
|---|---|---|
| عملية | المبلغ، العملة، التاجر أو المستلم، الوقت، مسار الدفع | حجم أو وجهة أو نوع معاملة غير عادي |
| سلوك | نطاق الإنفاق المعتاد، تسلسل تسجيل الدخول، سجل المستفيد، السرعة | الانحراف عن النمط المحدد من قبل العميل |
| الجهاز والشبكة | بصمة الجهاز، سمعة عنوان IP، ثبات الموقع، إشارات المتصفح أو التطبيق | الاستيلاء على الحساب أو سياق الوصول غير المألوف |
| دورة حياة الحساب | عمر الحساب، آخر عملية إعادة تعيين لكلمة المرور، تغييرات الملف الشخصي، المستفيد المضاف حديثًا | المخاطر المتعلقة بتغيير بيانات الاعتماد أو إعدادات الدفع مؤخراً |
| العلاقات الشبكية | الأجهزة المشتركة، والمستلمون المشتركون، وسلاسل التحويل، والحسابات المتصلة | شبكات نقل الأموال أو هياكل الاحتيال المنسقة |
| نتائج مؤكدة | عمليات رد المبالغ المدفوعة، وتقارير الاحتيال، وتصنيفات المحققين، وتأكيدات العملاء | التدريب والتغذية الراجعة لاتخاذ القرارات المستقبلية |
من السهل وصف القواعد بأنها قديمة الطراز، والتعلم الآلي بأنه بديل لها. لكن في أنظمة مكافحة الاحتيال الإنتاجية، يُعدّ هذا تبسيطًا مفرطًا. تُعدّ القواعد مثالية للحالات المعروفة التي تتطلب إجراءات حتمية: كالدول المحظورة، وأنواع المعاملات غير الممكنة، والمتطلبات التنظيمية، والأحداث المكررة، والحدود القصوى للمبالغ، أو ضوابط الطوارئ المُستحدثة.
تكون تقنيات الذكاء الاصطناعي في أوج قوتها عندما يعتمد القرار على مجموعة من الإشارات أو السلوكيات التي لا يمكن التعبير عنها بوضوح في قائمة قواعد مختصرة. ولذلك، تستخدم المؤسسات الراسخة نهجًا متعدد المستويات: قواعد لوضع سياسات واضحة، وتعلم آلي لإدارة المخاطر المعقدة، وتحليلات شبكية لفهم العلاقات، ومراجعة بشرية للحالات الغامضة أو ذات التأثير الكبير.
نظام مكافحة الاحتيال الذي يحظر كل شيء فعال تقنيًا في منع الاحتيال، ولكنه غير عملي كنظام دفع. الإنذار الكاذب هو معاملة مشروعة تم تصنيفها خطأً على أنها مشبوهة. كثرة الإنذارات الكاذبة تُسبب إزعاجًا للعملاء، وتكاليف إضافية لمراكز الاتصال، وتخلي العملاء عن عمليات الشراء، وفقدان الثقة.
لهذا السبب، لا تقتصر المؤسسات على تتبع معدل اكتشاف الاحتيال فحسب، بل تشمل مقاييس أخرى مهمة مثل خسائر الاحتيال، ومعدل الاسترجاع أو الكشف، والدقة، ومعدل الإنذارات الكاذبة، ومعدل الموافقة، ومعدل احتكاك العملاء، وحجم المراجعة اليدوية، وزمن الاستجابة، والتكلفة المالية لكل نوع من أنواع القرارات.
يختلف الحد الأمثل باختلاف السياق. فعملية شراء ببطاقة بقيمة 50 دولارًا قد تبرر مستوى تحمل مختلفًا عن تحويل تجاري بقيمة 250,000 دولار إلى حساب جديد. لذا، فإن مكافحة الاحتيال في الوقت الفعلي هي مسألة تحسين، وليست مجرد مسألة تصنيف.
بعض عمليات الاحتيال بسيطة نسبياً: إذ يقوم مجرم بسرقة بيانات اعتماد العميل ويبدأ عملية دفع لم يأذن بها. أما النوع الآخر، والذي يُعرف غالباً باسم احتيال الدفع المباشر المصرح به ، فيحدث عندما يتم التلاعب بالعميل لحمله على إرسال الأموال بنفسه.
يُعدّ ذلك أكثر صعوبة بالنسبة للذكاء الاصطناعي، لأنّ عملية تسجيل الدخول والجهاز والمصادقة والتأكيد النهائي قد تكون جميعها حقيقية. وقد تظهر الإشارات المشبوهة بدلاً من ذلك في شبكة المستلم، أو سرد المعاملة، أو علاقة المستفيد غير المعتادة، أو سرعة الدفع، أو نمط الاحتيال الأوسع.
هذا أحد الأسباب التي تجعل المعلومات الاستخباراتية على مستوى الشبكة تحظى باهتمام متزايد. ويُعدّ إطلاق ماستركارد لخدمة TRACE في عام 2025 في شبكة الدفع الفوري في الفلبين، وأدواتها لمكافحة الاحتيال من نوع A2A في المملكة المتحدة، أمثلة على محاولات مزودي الخدمات تحديد المخاطر عبر مؤسسات متعددة بدلاً من التعامل مع بيانات كل بنك على حدة.
يحدث انحراف النموذج عندما تتغير العلاقة الإحصائية بين المدخلات ونتائج الاحتيال بمرور الوقت. تتغير سلوكيات المستهلكين، وتُطرح منتجات جديدة، وتتحول الأنماط الموسمية، ويتعمد المجرمون فحص الضوابط للعثور على نقاط ضعف.
تستجيب المؤسسات بالمراقبة، وإعادة التدريب، واختبارات التحقق من صحة الأنظمة، وضبط العتبات، وتحديث القواعد، والاستفادة من ملاحظات حالات الاحتيال المؤكدة. وتُعدّ البيانات المصنفة بدقة بالغة الأهمية. وقد أبرز مشروع هيرثا أهمية بيانات التدريب المصنفة، وحلقات التغذية الراجعة الفعّالة، والخوارزميات القابلة للتفسير كعوامل رئيسية في الفعالية.
تحتاج الأنظمة التي تعمل في الوقت الفعلي أيضاً إلى ضمانات ضد التصنيفات المضللة أو منخفضة الجودة. فإذا اعترض العملاء بشكل خاطئ على معاملات مشروعة، أو صنّف المحققون القضايا بشكل غير متسق، فقد يتعلم النموذج نمطاً خاطئاً.
تؤثر قرارات مكافحة الاحتيال على إمكانية الوصول إلى الأموال، وتجربة العملاء، والالتزامات التنظيمية. تحتاج المؤسسات إلى تفسير كافٍ لفهم سبب اختلاف سلوك النموذج، والتحقيق في الأخطاء، وتبرير التغييرات في العتبات أو السياسات.
لا يتطلب التفسير أن يكون كل نموذج بسيطًا. ولكنه يتطلب مخرجات تشغيلية مفيدة: ما هي الإشارات التي أدت إلى المخاطر، وما هي القواعد التي تم تفعيلها، وكيف تغيرت النتيجة بمرور الوقت، وما إذا كان القرار متسقًا مع السياسة المعتمدة.
في الأحداث عالية الخطورة أو الغامضة، يظل دور المحققين بالغ الأهمية. إذ يمكن للمراجعة البشرية أن تُضيف سياقًا لا يتوفر في النموذج، وأن تُحدد روايات الاحتيال الناشئة، وأن تُنشئ تصنيفات أفضل لتحديث النموذج التالي.
في أبريل 2026، أصدر مكتب مراقب العملة (OCC) ومجلس الاحتياطي الفيدرالي ومؤسسة تأمين الودائع الفيدرالية (FDIC) توجيهات مُنقحة لإدارة مخاطر النماذج بين الوكالات، تُركز على نهج قائم على المخاطر. تتناول هذه التوجيهات تطوير النماذج واستخدامها، والتحقق من صحتها ومراقبتها، والحوكمة والضوابط، ونماذج الأطراف الثالثة. كما تنص على أن الذكاء الاصطناعي التوليدي والذكاء الاصطناعي الوكيل ليسا ضمن نطاق هذه التوجيهات تحديدًا، نظرًا لحداثتهما وتطورهما السريع.
بالنسبة لفرق مكافحة الاحتيال، فإنّ الخلاصة العملية هي أن النموذج عالي الأداء وحده لا يكفي. تحتاج المؤسسات إلى تحديد واضح للملكية، وتوثيق الاستخدام المقصود، والاختبار، والمراقبة، والتحكم في التغييرات، وحوكمة البيانات، والإشراف المناسب على نماذج الموردين. راجع إرشادات مكتب مراقب العملة (OCC) المُعدّلة بشأن مخاطر النماذج لعام 2026 .
يوفر إطار إدارة مخاطر الذكاء الاصطناعي الطوعي التابع للمعهد الوطني للمعايير والتكنولوجيا (NIST) هيكلاً أوسع نطاقاً يشمل قطاعات متعددة، ويركز على الحوكمة والتخطيط والقياس والإدارة. وهو ليس تنظيماً مصرفياً، ولكنه مفيد لتنظيم المسائل المتعلقة بالموثوقية والشفافية والخصوصية والأمن والمساءلة.
يمكن للذكاء الاصطناعي التوليدي أن يساعد المحققين في تلخيص القضايا، واستخلاص المعلومات من الملاحظات، وصياغة تقارير التحقيق، أو البحث في قواعد بيانات ضخمة للسياسات والقضايا. لكن هذا لا يعني أن نموذجًا لغويًا ضخمًا يجب أن يكون المحرك الوحيد للتحقق من شرعية عملية الدفع.
يعتمد التقييم الأساسي للاحتيال في الوقت الفعلي عادةً على نماذج إحصائية مُهيكلة مُحسَّنة للتصنيف منخفض التأخير، واكتشاف الحالات الشاذة، وتحليل الرسوم البيانية، ودرجات المخاطر المُعايرة. قد تُحسِّن الأنظمة التوليدية سير العمل، خاصةً بعد التنبيه، لكن المؤسسات المالية لا تزال بحاجة إلى ضوابط حتمية وسلوك نموذجي قابل للقياس في مسار المعاملة.
معظم أنظمة كشف الاحتيال المدعومة بالذكاء الاصطناعي غير مرئية. تتم الموافقة على الدفعات العادية دون أي خطوات إضافية. أما الدفعات غير المعتادة نوعًا ما فقد تستدعي تأكيدًا داخل التطبيق. بينما قد تُرفض المعاملات عالية المخاطر أو تُحال للمراجعة. والهدف هو تطبيق إجراءات أمنية انتقائية: إضافة الحماية فقط عندما تبرر المخاطر ذلك.
بالنسبة للعملاء، يعني ذلك أن نظام مكافحة الاحتيال الأكثر تطوراً قد يبدو أقل إزعاجاً من الأنظمة القديمة، لأنه قادر على التمييز بدقة أكبر بين السلوك الطبيعي والنشاط المشبوه. أما بالنسبة للمؤسسات، فيكمن التحدي في الحفاظ على هذه التجربة مع الاستجابة السريعة لأنماط الاحتيال الجديدة.
يشير تحديث Visa A2A Protect الصادر في سبتمبر 2026، وضوابط إدارة المخاطر القابلة للتخصيص من FedNow، ومشروع BIS Project Hertha، إلى اتجاه واحد: ينتقل نظام مكافحة الاحتيال من قواعد المعاملات المنفصلة إلى معلومات استخباراتية متعددة الطبقات في الوقت الفعلي. وتجمع أقوى الأنظمة بين سلوك الأفراد، وسياق الحساب، وبيانات الجهاز، وعلاقات الشبكة، والقواعد، والخبرة البشرية.
يُحسّن الذكاء الاصطناعي القدرة على تصنيف المخاطر بسرعة، لكنه لا يُلغي المفاضلات. لا تزال المؤسسات المالية مُطالبة بتحديد مستوى الاحتكاك المقبول، وكيفية التحقق من صحة النماذج، والبيانات التي يُمكن استخدامها قانونيًا وأخلاقيًا، وكيفية إدارة أنظمة الأطراف الثالثة، وماذا يحدث عندما يكون النموذج غير مؤكد.
هذا هو المعنى العملي لكشف الاحتيال بالذكاء الاصطناعي في مجال التمويل في الوقت الفعلي: ليس مجرد خوارزمية واحدة "تعرف" الاحتيال، بل نظام قرار مصمم هندسيًا يحول باستمرار الأدلة سريعة التغير إلى إجراء متناسب قبل أن تصبح المعاملة خسارة لا يمكن استردادها.
قارن بين مسارات الشهادات القوية في مجالات الخدمات اللوجستية، وسلسلة التوريد، وأنظمة الطائرات بدون طيار، وعمليات الطائرات بدون طيار لعام 2026، مع خيارات عملية حسب الهدف الوظيفي وقائمة مرجعية لاختيار البرنامج.
قارن بين أنظمة التشغيل الذاتي، والروبوتات، وبرامج التحكم في معهد ماساتشوستس للتكنولوجيا، وجامعة كارنيجي ميلون، وجامعة ميشيغان، وجامعة بنسلفانيا، وجامعة أكسفورد، والمعهد الفدرالي السويسري للتكنولوجيا في زيورخ، والمعهد الفدرالي السويسري للتكنولوجيا في زيورخ، وجامعة آلتو، مع معايير اختيار عملية.
A practical FinTech cybersecurity guide to protecting financial data from account takeover, API abuse, ransomware, third-party risk, and modern fraud.
أصبحت البطاريات واسعة النطاق أداة أساسية لتعزيز مرونة مصادر الطاقة المتجددة. تعرف على نقاط قوتها، ونقاط ضعفها، وما تُظهره بيانات عام 2026.
أصبحت تقنية كريسبر الآن دواءً معتمداً. تعرف على ما تم إثباته، وما يعتمد على المرض وطريقة الإيصال، وما لا يزال مجهولاً حول تعديل القواعد والبادئات.
تعرف على كيفية تسريع عمليات المعالجة المستمرة، وتقنيات المنصات، وتقنية تحليل العمليات، والتوائم الرقمية، والتصنيع المعياري لإنتاج علاجات موثوقة.
Explore how Industry 4.0 smart automation combines AI, digital twins, IIoT, edge control, and standards to improve efficiency without removing essential human oversight.
Embodied AI moves foundation models from words to physical action. See why robotics, VLAs, simulation, and safety make it tech’s next frontier.
تعرف على كيفية استخدام البنوك ومقدمي خدمات الدفع للذكاء الاصطناعي، والإشارات السلوكية، وتحليلات الشبكة، والقواعد، والمراجعة البشرية لوقف الاحتيال في الوقت الفعلي دون حظر العملاء الجيدين.
كيف تحقق مشاريع احتجاز الكربون أرباحاً، وأين تكمن تكاليف الهندسة، وكيف تؤثر سياسة عام 2026 ومراكز التخزين والإعفاءات الضريبية والعقود على القدرة على تمويل المشاريع.
