धोखाधड़ी पहचान में कृत्रिम बुद्धिमत्ता से तात्पर्य वित्तीय और व्यावसायिक कार्यों में धोखाधड़ी गतिविधियों की पहचान और रोकथाम के लिए कृत्रिम बुद्धिमत्ता प्रौद्योगिकियों, जिसमें मशीन लर्निंग, डीप लर्निंग, और विशेषज्ञ प्रणालियाँ शामिल हैं, के अनुप्रयोग से है। इसका उपयोग वित्तीय क्षेत्र में व्यापक रूप से किया जाता है, विशेष रूप से लेखा फर्मों द्वारा, धोखाधड़ी का पता लगाने और ऑडिट की सटीकता बढ़ाने में सहायता के लिए। व्यक्तिगत कार्य से दूरस्थ कार्य की ओर बदलाव ने डेटा तक पहुंच बढ़ा दी है, जिससे स्वचालित प्रणालियों की आवश्यकता बढ़ गई है जो बड़ी मात्रा में लेनदेन का विश्लेषण कर सकें और संदिग्ध पैटर्न को चिह्नित कर सकें।
2022 में, प्राइसवाटरहाउसकूपर्स ने बताया कि धोखाधड़ी ने दुनिया भर के 46% व्यवसायों को प्रभावित किया है। 2022 के संघीय व्यापार आयोग के एक अध्ययन के अनुसार, ग्राहकों ने 2021 में लगभग $5.8 बिलियन की धोखाधड़ी की सूचना दी, जो पिछले वर्ष की तुलना में 70% की वृद्धि है, जिसमें नकली व्यक्ति घोटाले और ऑनलाइन शॉपिंग धोखाधड़ी बहुमत में थे। कृत्रिम बुद्धिमत्ता उन्नत एल्गोरिदम और मशीन लर्निंग मॉडल विकसित करने में महत्वपूर्ण भूमिका निभाती है जो धोखाधड़ी पहचान प्रणालियों को बेहतर बनाते हैं, जिससे व्यवसायों को तेजी से डिजिटल परिदृश्य में विकसित होने वाली धोखाधड़ी रणनीतियों से आगे रहने में सक्षम बनाते हैं।
विशेषज्ञ प्रणालियाँ
विशेषज्ञ प्रणालियाँ पहली बार 1970 के दशक में कृत्रिम बुद्धिमत्ता प्रौद्योगिकियों में एक विस्तार के रूप में डिज़ाइन की गई थीं। उनका डिज़ाइन निर्णय लेने में संभावित उपयोगकर्ता त्रुटि को कम करने और किसी विशेष क्षेत्र में विशेषज्ञों द्वारा उपयोग की जाने वाली मानसिक तर्क प्रक्रिया का अनुकरण करने की अवधारणा पर आधारित है। वे पारंपरिक रैखिक तर्क मॉडल से खुद को अलग करते हैं, डेटा में पहचाने गए बिंदुओं को अलग करके और उन्हें एक साथ व्यक्तिगत रूप से संसाधित करके। हालाँकि, ये प्रणालियाँ पूरी तरह से मशीन-सीखी बुद्धिमत्ता पर निर्भर नहीं करती हैं।
नियमों, प्रथाओं और प्रक्रियाओं के बारे में जानकारी "यदि-तो" कथनों के रूप में प्रणाली के प्रोग्रामिंग में लागू की जाती है। उपयोगकर्ता सीधे प्रविष्टि या बाहरी डेटा के आयात के माध्यम से जानकारी फीड करके प्रणाली के साथ बातचीत करते हैं। एक अनुमान प्रणाली उपयोगकर्ता द्वारा प्रदान की गई जानकारी की तुलना उन संबंधित नियमों से करती है जिन्हें स्थिति पर विशेष रूप से लागू माना जाता है। इस जानकारी और संबंधित नियमों का उपयोग करके, प्रणाली उपयोगकर्ता के प्रश्न का समाधान बनाती है। विशेषज्ञ प्रणालियाँ आम तौर पर ठीक से काम नहीं करती हैं जब किसी निर्दिष्ट स्थिति के लिए सामान्य प्रक्रियाएँ अस्पष्ट होती हैं, क्योंकि अच्छी तरह से परिभाषित नियमों की आवश्यकता होती है।
लेखा प्रक्रियाओं में विशेषज्ञ प्रणालियों का कार्यान्वयन उन क्षेत्रों में संभव है जहाँ पेशेवर निर्णय की आवश्यकता होती है। जिन स्थितियों में विशेषज्ञ प्रणालियाँ लागू होती हैं उनमें संभावित धोखाधड़ी प्रविष्टियों से जुड़े लेनदेन की जाँच, निरंतर चिंता के उदाहरण, और ऑडिट की योजना चरणों में जोखिम का मूल्यांकन शामिल हैं।
निरंतर ऑडिटिंग
निरंतर ऑडिटिंग प्रक्रियाओं का एक समूह है जो ऑडिट में एकत्रित जानकारी के विभिन्न पहलुओं का आकलन करता है ताकि पारंपरिक तरीकों की तुलना में अधिक बार वित्तीय आंतरिक नियंत्रणों में जोखिम के क्षेत्रों और संभावित कमजोरियों को वर्गीकृत किया जा सके। दर्ज किए गए लेनदेन और जर्नल प्रविष्टियों का समय-समय पर विश्लेषण करने के बजाय, निरंतर ऑडिटिंग इन कार्यों की प्रकृति की व्याख्या करने पर अधिक बार केंद्रित होती है। इन प्रक्रियाओं की आवृत्ति और महत्वपूर्ण क्षेत्रों को उजागर करना कार्यान्वयनकर्ता के विवेक पर निर्भर है, जो आम तौर पर मूल्यांकन किए जा रहे खातों में जोखिम के स्तर और प्रणाली को लागू करने के लक्ष्यों के आधार पर ऐसे निर्णय लेता है। इन प्रक्रियाओं का प्रदर्शन लगभग तात्कालिक हो सकता है, जैसे कि एक प्रविष्टि पोस्ट होने के साथ।
निरंतर ऑडिटिंग में वित्तीय डेटा के विश्लेषण से जुड़ी प्रक्रियाओं में इंटरैक्टिव जानकारी एकत्र करने की अनुमति देने के लिए स्प्रेडशीट का निर्माण, पहले से बनाए गए मॉडलों के साथ तुलना के लिए वित्तीय अनुपातों की गणना, और दर्ज किए गए आंकड़ों में त्रुटियों का पता लगाना शामिल हो सकता है। इस अभ्यास का एक प्राथमिक लक्ष्य दोषपूर्ण नियंत्रणों, त्रुटियों और धोखाधड़ी के उदाहरणों का तेज़ और आसान पता लगाने की अनुमति देना है।
मशीन लर्निंग और डीप लर्निंग
मशीन लर्निंग और डीप लर्निंग की कंपनियों से संबंधित विभिन्न दस्तावेजों और ऑडिट किए जा रहे दस्तावेजों के रूपों में बड़ी मात्रा में डेटा को तेज़ी से और प्रभावी ढंग से छाँटने की क्षमता उन्हें ऑडिट और धोखाधड़ी पहचान के क्षेत्रों में लागू करने योग्य बनाती है। इसके उदाहरणों में अनुबंधों में प्रमुख भाषा को पहचानना, लेनदेन में धोखाधड़ी के जोखिम के स्तर की पहचान करना, और गलत विवरण के लिए जर्नल प्रविष्टियों का आकलन करना शामिल है।
मशीन लर्निंग मॉडल, जैसे तंत्रिका नेटवर्क, धोखाधड़ी का संकेत देने वाले पैटर्न की पहचान करने के लिए ऐतिहासिक डेटा पर प्रशिक्षित होते हैं। डीप लर्निंग, मशीन लर्निंग का एक उपसमुच्चय, कच्चे डेटा से स्वचालित रूप से विशेषताओं को निकालने के लिए बहु-स्तरीय तंत्रिका नेटवर्क का उपयोग करता है, जिससे पहचान सटीकता में सुधार होता है। ये प्रौद्योगिकियाँ सिस्टम को समय के साथ नई धोखाधड़ी रणनीतियों के अनुकूल होने में सक्षम बनाती हैं, क्योंकि उन्हें अद्यतन डेटा के साथ फिर से प्रशिक्षित किया जा सकता है।
बिग 4 लेखा फर्मों में अनुप्रयोग
डेलॉइट ने 2014 में एक AI-सक्षम दस्तावेज़-समीक्षा प्रणाली बनाई। यह प्रणाली विभिन्न व्यावसायिक दस्तावेजों से प्रासंगिक जानकारी की समीक्षा और निष्कर्षण की विधि को स्वचालित करती है। डेलॉइट का दावा है कि इस नवाचार ने कानूनी अनुबंध दस्तावेजों, चालानों, वित्तीय विवरणों और बोर्ड मिनटों से गुजरने में बिताए गए समय को 50% तक कम कर दिया है। आईबीएम के वाटसन के साथ काम करते हुए, डेलॉइट अपने ग्राहकों के लिए संज्ञानात्मक-प्रौद्योगिकी-संवर्धित वाणिज्य व्यवस्था विकसित कर रहा है। लीज़पॉइंट आईबीएम ट्रिरिगा (जो आईबीएम मैक्सिमो रियल एस्टेट और सुविधाओं में विकसित हुआ) द्वारा संचालित है और एंड-टू-एंड लीजिंग पोर्टफोलियो बनाने के लिए डेलॉइट की औद्योगिक जानकारी का उपयोग करता है। स्वचालित संज्ञानात्मक संसाधन मूल्यांकन संपत्ति निरीक्षण की दक्षता में सुधार के लिए आईबीएम के मैक्सिमो नवाचार का उपयोग करता है।
अर्न्स्ट एंड यंग (EY) ने लीज अनुबंधों की जांच में AI को जोड़ा। EY (ऑस्ट्रेलिया) ने भी AI-सक्षम ऑडिटिंग तकनीक प्राप्त की है। H2O.ai के साथ सहयोग करते हुए, PwC ने एक AI-सक्षम ढांचा (GL.ai) विकसित किया जो रिपोर्टों का विश्लेषण और रिपोर्ट तैयार करने में सक्षम है। PwC ने प्राकृतिक भाषा प्रसंस्करण (NLP) में एक महत्वपूर्ण निवेश करने का दावा किया है, जो असंरचित जानकारी को कुशलतापूर्वक संसाधित करने के लिए एक AI-सक्षम नवाचार है। KPMG ने व्यापार निर्णयों और रूपों को उन्नत करने के लिए KPMG इग्नाइट नामक AI उपकरणों का एक पोर्टफोलियो बनाया। माइक्रोसॉफ्ट और आईबीएम वाटसन के साथ काम करते हुए, KPMG AI, डेटा एनालिटिक्स, संज्ञानात्मक प्रौद्योगिकियों और रोबोटिक प्रक्रिया स्वचालन (RPA) को एकीकृत करने के लिए उपकरण बना रहा है।
लाभ: दक्षता
धोखाधड़ी गतिविधि का पता लगाने के लिए एक इकाई का ऑडिट करने की प्रक्रिया में तब तक जांच प्रक्रियाओं को दोहराना शामिल है जब तक कि कोई त्रुटि या गलत विवरण की पहचान न हो। पारंपरिक तरीकों के तहत, ये प्रक्रियाएँ एक मानव द्वारा की जाती हैं। धोखाधड़ी पहचान में कृत्रिम बुद्धिमत्ता के समर्थकों का कहना है कि ये पारंपरिक तरीके अक्षम हैं और एक बुद्धिमान कंप्यूटिंग प्रणाली की सहायता से अधिक तेज़ी से पूरे किए जा सकते हैं। 2016 में KPMG द्वारा बनाए गए 400 मुख्य कार्यकारी अधिकारियों के एक सर्वेक्षण में पाया गया कि लगभग 58% का मानना था कि कृत्रिम बुद्धिमत्ता भविष्य में ऑडिट को अधिक कुशल बनाने में महत्वपूर्ण भूमिका निभाएगी।
AI प्रणालियाँ मनुष्यों द्वारा आवश्यक समय के एक अंश में बड़े डेटासेट को संसाधित कर सकती हैं, जिससे ऑडिट का समय और लागत कम हो जाती है। उदाहरण के लिए, बड़े भाषा मॉडल अनुबंधों और ईमेल में असंरचित पाठ का विश्लेषण कर सकते हैं ताकि संभावित धोखाधड़ी संकेतकों की पहचान की जा सके, जबकि स्वचालित उपकरण वास्तविक समय में विसंगतियों को चिह्नित कर सकते हैं।
लाभ: डेटा व्याख्या
धोखाधड़ी पहचान के उच्च स्तर में डेटा की व्याख्या करने के लिए पेशेवर निर्णय का उपयोग शामिल है। वित्तीय ऑडिट में कृत्रिम बुद्धिमत्ता के समर्थकों का दावा है कि उच्च डेटा व्याख्या के उदाहरणों से बढ़े हुए जोखिमों को ऐसी प्रौद्योगिकियों के माध्यम से कम किया जा सकता है। वित्तीय विवरणों के ऑडिट का एक आवश्यक तत्व जिसके लिए पेशेवर निर्णय की आवश्यकता होती है, भौतिकता के लिए सीमाओं का कार्यान्वयन है। भौतिकता में वित्तीय विवरणों में त्रुटियों और लेनदेन के बीच अंतर शामिल है जो उन वित्तीय विवरणों के उपयोगकर्ताओं द्वारा किए गए निर्णयों को प्रभावित करेगा।
AI ऐतिहासिक डेटा और उद्योग बेंचमार्क का विश्लेषण करके भौतिकता सीमाओं को निर्धारित करने में सहायता कर सकता है, जिससे मानव पूर्वाग्रह का जोखिम कम हो जाता है। इसके अतिरिक्त, मशीन लर्निंग मॉडल डेटा में सूक्ष्म पैटर्न की पहचान कर सकते हैं जिन्हें मानव ऑडिटरों द्वारा अनदेखा किया जा सकता है, जिससे धोखाधड़ी पहचान की समग्र प्रभावशीलता में सुधार होता है।
चुनौतियाँ और सीमाएँ
लाभों के बावजूद, धोखाधड़ी पहचान में कृत्रिम बुद्धिमत्ता के उपयोग को कई चुनौतियों का सामना करना पड़ता है। विशेषज्ञ प्रणालियों को अच्छी तरह से परिभाषित नियमों की आवश्यकता होती है, जिससे वे अस्पष्ट स्थितियों में कम प्रभावी होती हैं। मशीन लर्निंग मॉडल पूर्वाग्रह के प्रति संवेदनशील हो सकते हैं यदि प्रशिक्षण डेटा प्रतिनिधि नहीं है, और वे गलत सकारात्मक या नकारात्मक परिणाम उत्पन्न कर सकते हैं। इसके अतिरिक्त, डीप लर्निंग मॉडल की जटिलता उन्हें व्याख्या करने में कठिन बना सकती है, जो ऑडिट संदर्भों में समस्याग्रस्त है जहाँ स्पष्टीकरण की आवश्यकता होती है।
डेटा गोपनीयता और सुरक्षा भी चिंता का विषय हैं, क्योंकि AI प्रणालियों को अक्सर संवेदनशील वित्तीय जानकारी तक पहुंच की आवश्यकता होती है। नियामक ढांचे तकनीकी प्रगति के साथ तालमेल नहीं रख सकते हैं, जिससे इन उपकरणों को अपनाने वाले संगठनों के लिए अनिश्चितता पैदा होती है। 2020 के दशक की शुरुआत तक, कई फर्में अभी भी अपनी ऑडिट प्रक्रियाओं में AI को एकीकृत करने के शुरुआती चरणों में हैं, और धोखाधड़ी पहचान पर पूर्ण प्रभाव अभी तक साकार नहीं हुआ है।
भविष्य की दिशाएँ
धोखाधड़ी पहचान में कृत्रिम बुद्धिमत्ता का भविष्य संभवतः जनरेटिव AI और ट्रांसफार्मर-आधारित मॉडलों के अधिक एकीकरण को शामिल करेगा, जो प्रशिक्षण के लिए सिंथेटिक डेटा उत्पन्न कर सकते हैं और विसंगति पहचान में सुधार कर सकते हैं। प्रौद्योगिकी कंपनियों और लेखा फर्मों के बीच सहयोग बढ़ने की उम्मीद है, जिसमें अमेज़न वेब सर्विसेज, एज़्योर, और गूगल क्लाउड जैसे क्लाउड प्लेटफॉर्म स्केलेबल AI सेवाएँ प्रदान करते हैं। MIT CSAIL और स्टैनफोर्ड AI लैब जैसे शोध संस्थान धोखाधड़ी पहचान के लिए नए एल्गोरिदम की खोज कर रहे हैं, जबकि ओपनएआई और गूगल डीपमाइंड जैसे उद्योग नेता AI प्रणालियों की क्षमताओं को आगे बढ़ा रहे हैं।
जैसे-जैसे AI अधिक परिष्कृत होता जाएगा, यह संभवतः धोखाधड़ी का पता लगाने और रोकथाम में और भी बड़ी भूमिका निभाएगा, जिससे व्यवसायों को तेजी से डिजिटल अर्थव्यवस्था में खुद को सुरक्षित रखने में मदद मिलेगी।