AML فیچر انجینئرنگ: کون سا ڈیٹا حقیقت میں منی لانڈرنگ پکڑتا ہے

تین طریقے

1. 1

   فیچر ایک نمبر ہے جو خام ڈیٹا سے اخذ کیا جاتا ہے جس سے ماڈل سیکھ سکتا ہے۔ پاکستانی بینک میں خام ڈیٹا لین دین کے ٹیبل میں قطاروں کی طرح نظر آتا ہے: اکاؤنٹ نمبر، ٹائم اسٹیمپ، رقم، چینل، مدِمقابل اکاؤنٹ، مدِمقابل بینک، تفصیل۔ ان میں سے کوئی بھی خام کالم خود نہیں بتاتا کہ فراڈ ہو رہا ہے۔ سگنل اخذ شدہ میں رہتا ہے: پچھلے 30 دنوں میں اس اکاؤنٹ نے کتنے مختلف مدِمقابل سے لین دین کیا، پچھلے ہفتے کی لین دین کی رقم کا معیاری انحراف کیا ہے، اکاؤنٹ کی جغرافیہ IP یا برانچ سے کتنی مرتکز ہے، موجودہ ہفتہ اس اکاؤنٹ کی اپنی 90 دن کی بنیاد سے کیسا ہے۔ ہر اخذ ایک فیچر ہے۔ جدید AML ماڈلز سینکڑوں سے کم ہزار ایسی خصوصیات پر کام کرتے ہیں۔

2. 2

   پاکستانی ریٹیل اور SME مانیٹرنگ میں مضبوط ثابت ہونے والے فیچر خاندان چھ گروپوں میں آتے ہیں۔ Velocity خصوصیات وقت کی فی اکائی اعمال شمار کرتی ہیں، جیسے فی گھنٹہ لین دین یا فی ہفتہ منفرد مدِمقابل۔ Aggregation خصوصیات ونڈوز پر جمع یا اوسط، جیسے پچھلے 7 دنوں میں کل آمدنی یا پچھلے 30 دنوں میں درمیانی رقم۔ Ratio خصوصیات ایک کو دوسرے سے تقسیم کرتی ہیں، جیسے آمدنی بمقابلہ اخراج تناسب یا حقیقی بمقابلہ اعلان شدہ ٹرن اوور تناسب۔ Distance خصوصیات ماپتی ہیں موجودہ واقعہ بنیاد سے کتنا دور ہے، جیسے اکاؤنٹ کی اپنی 90 دن کی اوسط کے خلاف آج کی رقم کا z-score۔ Diversity خصوصیات پھیلاؤ ماپتی ہیں، جیسے مختلف مدِمقابل بینکوں کی تعداد یا لین دین کے گھنٹے کی تقسیم کا انٹروپی۔ Network خصوصیات اکاؤنٹ کی وسیع گراف میں پوزیشن بیان کرتی ہیں، جس کا سبق 6 گہرائی سے احاطہ کرتا ہے۔

3. 3

   Raast اور 1Link نے پاکستانی پیئر ٹو پیئر ریلوں کے لیے مخصوص خصوصیات متعارف کرائی ہیں۔ اسٹرکچرنگ کی شناخت اہم ہو گئی جس دن Raast نے بار بار چھوٹے ٹرانسفرز کی رگڑ ہٹا دی۔ مفید Raast مخصوص خصوصیات: پچھلے گھنٹے کے روزانہ حد سے کم تک گول کیے گئے لین دین تقسیم کل روزانہ لین دین، پچھلے 24 گھنٹوں میں مختلف موبائل نمبر مدِمقابل، 90 دن سے کم پرانے اکاؤنٹس والے مدِمقابل کا حصہ، اور وصول کرنے والے بینکوں کا انٹروپی (وسیع پھیلاؤ ایک واقف بینک سے ارتکاز سے زیادہ مشکوک ہے)۔ موبائل منی ریل جیسے JazzCash اور Easypaisa CNIC اور اکاؤنٹ کی نقشہ بندی اور SIM بدلنے کی حالیہ کے گرد خصوصیات شامل کرتی ہیں، جن دونوں کو SBP نے اپنی 2025 نگرانی ہدایت میں ترجیحی خطرے کے اشارے کے طور پر سگنل کیا ہے۔

کیوں؟

Claude کے ساتھ آزمائیں

AI پرامپٹ: 'میرے پاس ایک پاکستانی ریٹیل بینک کے لیے 90 دنوں کا اکاؤنٹ سطح کا Raast اور IBFT لین دین کا ڈیٹا ہے، اسکیما منسلک۔ XGBoost AML ماڈل کے لیے 25 امیدوار خصوصیات تجویز کریں، چھ خاندانوں velocity، aggregation، ratio، distance، diversity، اور network میں گروپ کریں۔ ہر خصوصیت کے لیے، SQL یا سیوڈو کوڈ، متوقع فراڈ سگنل، اور مطلوبہ تاخیر کا درجہ دیں: حقیقی وقت، قریب حقیقی وقت، یا بیچ۔' اپنے ڈیٹا انجینئر کے ساتھ ماڈل کا آؤٹ پٹ جائزہ لیں۔