פיתוח מבוסס למידת מכונה משפר זיהוי של הונאות פיננסיות

This post is also available in: English (אנגלית)

מחקר שפורסם לאחרונה בכתב העת International Journal of Information and Communication Technology שופך אור על הפוטנציאל של למידת מכונה וטכנולוגיות למידה עמוקה לסייע במצבים של הונאה פיננסית, במיוחד בכלכלות מתפתחות. החוקר הראשי וויי צ'ן מציע גישה חדשנית לזיהוי פעילויות הונאה, אשר הופכות לקשות יותר ויותר לזיהוי עם שיטות מסורתיות.

רמאים הפכו מיומנים בניצול נקודות תורפה במערכות זיהוי הונאה קונבנציונליות, מה שמעלה את הקושי עבור משקיעים להגן על הנכסים שלהם. שיטות ידניות יכולות לזהות פעילות הונאה מסוימת, אך שיטות אלה לעתים קרובות אינן מצליחות להתמודד עם הונאות דיגיטליות מורכבות יותר. המחקר של צ'ן מטפל בפער זה על ידי שילוב של ML עם טכניקות למידה עמוקה מתקדמות לשיפור מערכות זיהוי הונאה.

על פי TechXplore ו-Inderscience, אחת מפריצות הדרך המרכזיות בגישה זו היא היכולת לנתח הן נתונים פיננסיים כמותיים והן מידע איכותי, כגון תוכן טקסטואלי בדוחות ארגוניים. בפרט, השיטה של צ'ן מתמקדת בסעיף "ביאורים לדוחות הכספיים" של מסמכים ארגוניים – אזור בו הונאות יכולות להסתתר במקום גלוי לעין. על ידי שימוש בטכניקות למידה עמוקה, המערכת יכולה להבין את המשמעות שמאחורי אלמנטים טקסטואליים אלה, דבר שאלגוריתמים המסורתיים נאבקים איתו.

הגישה של צ'ן משלבת שתי טכניקות עוצמתיות של רשת עצבית: רשתות דו-כיווניות לטווח קצר (BiLSTM) ורשתות קונבולוציה (CNNs). רשת BiLSTM מפרשת רצפי נתונים, בעוד שה-CNN מזקקת אינדיקטורים פיננסיים כדי לזהות חוסר עקביות. על ידי השוואת ניתוח הסנטימנט מדוחות החברה עם הנתונים הפיננסיים הבסיסיים, המערכת יכולה לסמן פערים שעשויים להצביע על פעילות הונאה.

בבחינות, המודל של צ'ן השיג תוצאות מרשימות, עם שיעור דיוק של 91.35% בזיהוי הונאות ואזור תחת העקומה של 98.52%. תוצאות אלה עולות על שיטות זיהוי הונאה מסורתיות, ומציעות התקדמות משמעותית ביכולת לזהות ולהילחם בהונאה פיננסית, במיוחד בשווקים שבהם מנגנוני הרגולציה עדיין מתפתחים.