قالت وزارة الخزانة الأمريكية إن الاستخدام الموسع لأنظمة التعلم الآلي يساعد في اكتشاف ومنع مدفوعات احتيالية بمليارات الدولارات في عام 2024.
وزارة الخزانة هي كاتب الشيكات للعديد من البرامج الفيدرالية، حيث تصدر ما يقرب من 1.4 مليار دفعة بقيمة 6.9 تريليون دولار سنويًا لبرامج مثل الضمان الاجتماعي والمساعدة الطبية.
وفي السنة المالية الماضية التي انتهت في سبتمبر، ساعد النهج الجديد الذي تعتمده الوكالة على البيانات للقضاء على العناصر السيئة في منع واسترداد أكثر من 4 مليارات دولار من المدفوعات الاحتيالية، وفقًا لبيان صحفي. ويمثل هذا زيادة بأكثر من ستة أضعاف عن 652.7 مليون دولار من المدفوعات الاحتيالية التي تم اكتشافها أو استردادها في السنة المالية 2023.
وأرجعت الوكالة هذه الزيادة إلى نهجها الجديد القائم على البيانات للكشف عن الاحتيال. يتضمن ذلك استخدام التعلم الآلي لتحديد حالات الاحتيال وتحديد أولويات المعاملات عالية المخاطر لإجراء مزيد من التحقيق. كما دخلت وزارة الخزانة في شراكة مع وكالات فيدرالية وحكومية أخرى لتبادل المعلومات من خلال قاعدة بيانات “لا تدفع” وغيرها من أدوات نزاهة الدفع.
“إن وزارة الخزانة تأخذ على محمل الجد مسؤوليتنا في العمل كوكيل فعال لأموال دافعي الضرائب. وقال نائب وزير الخزانة والي أدييمو في بيان إن المساعدة في ضمان قيام المؤسسات بدفع المبلغ المناسب للشخص المناسب في الوقت المناسب أمر حيوي لجهودنا. في العام الماضي، أحرزنا تقدما كبيرا في منع أكثر من 4 مليارات دولار من عمليات الاحتيال وغير السليمة. المدفوعات. سنواصل الشراكة مع الآخرين في الحكومة الفيدرالية لتوفير الأدوات والبيانات والخبرة التي يحتاجونها لوقف المدفوعات غير السليمة والاحتيال.
على الرغم من أن منع أو استرداد 4 مليارات دولار من المدفوعات الاحتيالية ليس مبلغًا صغيرًا، إلا أنه يتضاءل مقارنة بالتقديرات الحكومية لحجم الاحتيال.
في أبريل، قدر مكتب محاسبة الحكومة الفيدرالية أن الوكالات الفيدرالية خسرت ما بين 233 مليار دولار و521 مليار دولار سنويًا بسبب الاحتيال. وأوصى تقرير مكتب محاسبة الحكومة بأن تقوم وزارة الخزانة بتطوير أدوات تحليل البيانات بشكل أفضل بسبب دورها المركزي في معالجة المدفوعات.
أصبحت كل من الوكالات الحكومية والمؤسسات المالية تعتمد بشكل متزايد على خوارزميات التعلم الآلي للكشف عن الجهات الاحتيالية. تستخدم هذه الأنظمة مجموعة واسعة من البيانات حول مستلمي المدفوعات، بما في ذلك حساباتهم المصرفية وعناوينهم الفعلية وعناوين IP والمعلومات الديموغرافية وأسماء المستخدمين وكلمات المرور، لتحديد الأنماط المرتبطة بالاحتيال.
وكما أشارت وزارة الخزانة في تقارير سابقة عن الاحتيال في الصناعة المالية، فإن “مثل هذه البيانات التاريخية المستخدمة لتدريب نماذج الكشف عن الاحتيال قد تحتوي على تحيزات، مثل التمثيل الزائد لمجموعات ديموغرافية معينة في قضايا مكافحة الاحتيال”.