وتقول وزارة الخزانة الأمريكية إن استخدامها الموسع لأنظمة التعلم الآلي ساعد في اكتشاف ومنع مدفوعات احتيالية بمليارات الدولارات في عام 2024.
الخزانة هي كاتب الشيكات للعديد من البرامج الفيدرالية وتعالج سنويًا حوالي 1.4 مليار دفعة بقيمة 6.9 تريليون دولار لبرامج مثل الضمان الاجتماعي والمساعدات الطبية.
خلال السنة المالية الأخيرة، التي انتهت في سبتمبر/أيلول، ساهم النهج الجديد المبني على البيانات الذي اتبعته الوكالة لاستئصال العناصر السيئة في منع واسترداد أكثر من 4 مليارات دولار من المدفوعات الاحتيالية، وفقًا لبيان صحفي. وهذا يمثل زيادة بأكثر من ستة أضعاف عن 652.7 مليون دولار من المدفوعات الاحتيالية التي تم اكتشافها أو استردادها خلال السنة المالية 2023.
ونسبت الوكالة هذه الزيادة إلى نهجها الجديد القائم على البيانات للكشف عن الاحتيال. ويتضمن ذلك استخدام التعلم الآلي لتحديد حالات الاحتيال وتحديد أولويات المعاملات عالية المخاطر لإجراء مزيد من التحقيق. دخلت وزارة الخزانة أيضًا في شراكة مع وكالات فيدرالية وحكومية أخرى لتبادل المعلومات من خلال قاعدة بيانات “عدم الدفع” وأدوات سلامة الدفع الأخرى.
“تأخذ الخزانة على محمل الجد مسؤوليتنا في العمل كوكلاء فعالين لأموال دافعي الضرائب. وقال نائب وزير الخزانة والي أدييمو في بيان إن المساعدة في ضمان قيام الوكالات بدفع المبلغ المناسب للشخص المناسب وفي الوقت المناسب أمر أساسي لجهودنا. “لقد أحرزنا تقدمًا كبيرًا خلال العام الماضي في منع ما يزيد عن 4 مليارات دولار من المدفوعات الاحتيالية وغير السليمة. سنواصل الشراكة مع الآخرين في الحكومة الفيدرالية لتزويدهم بالأدوات والبيانات والخبرة اللازمة التي يحتاجون إليها لوقف المدفوعات غير السليمة والاحتيال.
ورغم أن منع أو استرداد 4 مليارات دولار من المدفوعات الاحتيالية ليس مبلغاً صغيراً، إلا أنه يتضاءل مقارنة بتقديرات الحكومة بشأن حجم الاحتيال الذي يحدث.
في أبريل، قدر مكتب محاسبة الحكومة الفيدرالية أن الوكالات الفيدرالية تخسر ما بين 233 مليار دولار و521 مليار دولار سنويًا بسبب الاحتيال. وأوصى تقرير مكتب محاسبة الحكومة بأن تقوم وزارة الخزانة، بسبب دورها المركزي في معالجة المدفوعات، بتعزيز أدوات تحليل البيانات بشكل أفضل.
أصبحت كل من الوكالات الحكومية والمؤسسات المالية تعتمد بشكل متزايد على خوارزميات التعلم الآلي لتحديد الجهات الفاعلة الاحتيالية. تستخدم هذه الأنظمة مجموعة واسعة من البيانات حول مستلمي المدفوعات – بما في ذلك تفاصيل حول حساباتهم المصرفية وعناوينهم الفعلية وعناوين IP والمعلومات الديموغرافية وأسماء المستخدمين وكلمات المرور – لتحديد الأنماط المرتبطة بالاحتيال.
وكما أشارت وزارة الخزانة في تقارير سابقة حول الاحتيال في القطاع المالي، فإن هذا النوع من “البيانات التاريخية المستخدمة لتدريب نماذج الكشف عن الاحتيال يمكن أن تحتوي على تحيزات، مثل التمثيل الزائد لفئات سكانية معينة في قضايا مكافحة الاحتيال”.