رولز کیوں نہیں چل سکتے: لین دین کی نگرانی کے لیے مشین لرننگ

تین طریقے

1. 1

   رول ایک جملہ ہے: 'اگر کیش ڈپازٹ X سے زیادہ ہو، الرٹ کریں۔' لکھنا آسان، آڈٹ کرنا آسان، اور SBP انسپکٹر کے سامنے دفاع کرنا آسان۔ یہی وجہ ہے کہ AML سسٹمز کی پہلی نسل پر رولز نے غلبہ کیا اور SBP کے AML/CFT ریگولیشنز کے تحت اب بھی ریگولیٹری فرش بناتے ہیں۔ مسئلہ یہ نہیں کہ رولز غلط ہیں۔ مسئلہ یہ ہے کہ کوئی بھی واحد رول اعلیٰ ابعاد والے رویے کی جگہ میں ایک ابعادی کٹ ہے۔ اصلی فراڈ مرکبات میں رہتا ہے: یہ صارف، اس گھنٹے، اس ڈیوائس سے، اتنی رقم، اس مدِمقابل کو، اس ترتیب میں۔ ہر معنی خیز مرکب کے لیے رول لکھنا ترکیبی طور پر ناممکن ہے۔ سو رولز تک پہنچنے تک، کوئی تجزیہ کار سب یاد نہیں رکھتا، اور رولز ایک دوسرے سے ٹکرانے لگتے ہیں۔

2. 2

   AML کے تناظر میں مشین لرننگ یہ مشق ہے کہ ماڈل کو لیبل والی تاریخ سے مرکبات سیکھنے دیں۔ آپ پچھلے دو سالوں کا لین دین لیں، نشان لگائیں کہ کون سے بعد میں فراڈ یا لانڈرنگ کے طور پر تصدیق شدہ ہوئے، اور ماڈل کو مشترکہ پیٹرن سیکھنے کے لیے تربیت دیں۔ ماڈل کوئی بھی رول نہیں دیکھتا۔ وہ سینکڑوں متغیرات پر ایک ساتھ فراڈ کے شماریاتی نشان دیکھتا ہے۔ جب نیا لین دین آتا ہے، ماڈل صفر سے ایک تک اسکور دیتا ہے، جہاں ایک کا مطلب 'یہ پہلے دیکھے فراڈ سے بہت ملتا ہے'۔ یہی اسکور، رول نہیں، اب آپ کا تجزیہ کار ترجیح دیتا ہے۔ رول انجن واضح پیٹرنز کے لیے حفاظتی جال بن جاتا ہے۔ ML اسکور باقی سب کے لیے ترجیحی انجن بنتا ہے۔

3. 3

   آج کی پاکستانی لین دین کی نگرانی کے لیے ماڈلز کے تین خاندان متعلق ہیں۔ سپروائزڈ گریڈینٹ بوسٹڈ ٹریز، جن میں XGBoost اور LightGBM گھر کے نام ہیں، کارڈ فراڈ اور معلوم اقسام کے AML کا کام کا گھوڑا ہیں۔ تیزی سے تربیت پاتے ہیں، مائکرو سیکنڈ میں اسکور دیتے ہیں، اور فیچر اہمیت دیتے ہیں جو SBP کے ماڈل رسک ریویوئر کو مطمئن کرتی ہے۔ غیر سپروائزڈ بے ضابطگی کی شناخت، بشمول isolation forests اور autoencoders، وہاں استعمال ہوتی ہے جہاں لیبل کم ہوں، خاص طور پر نئی اقسام کے لیے۔ گراف نیورل نیٹ ورکس، نیا داخل ہونے والا، اکاؤنٹس اور مدِمقابل کے نیٹ ورک کا ماڈل بناتا ہے اور میول رنگز اور تجارت پر مبنی لانڈرنگ پر خاص طور پر مضبوط ہے۔ آج پاکستان کے اعلیٰ بینکوں کے زیادہ تر پروڈکشن اسٹیک معلوم فراڈ کے لیے سپروائزڈ ٹری ماڈلز اور drift کا پتہ لگانے کے لیے غیر سپروائزڈ ماڈلز کو ملاتے ہیں۔

کیوں؟

Claude کے ساتھ آزمائیں

AI پرامپٹ: 'یہاں میرے بینک کے سب سے اوپر 30 AML الرٹ رولز ان کے حجم، پریسیشن، اور آخری جائزے کی تاریخوں کے ساتھ ہیں۔ تجویز کریں کن کو ریٹائر کیا جائے، کن کو دوبارہ ٹیون کیا جائے، اور کن کو ML ماڈل سے بدلا جائے۔ ہر ریٹائر یا بدلنے کی تجویز کے لیے، مجھے وہ SBP دفاعی دلیل دیں جو میں اپنے چیف کمپلائنس آفیسر کو دوں گا۔' حقیقی (گمنام) ڈیٹا فراہم کریں اور ماڈل کی استدلال کا تنقیدی جائزہ لیں۔