في عالَم سريع التحول معلنياً، تواصل المنصات الخدماتية الكبيرة العمل على مواجهة التحدي المتزايد لكشف الاحتيال في الطلبات الوهمية. طرق العمل التقليدية غالبًا ما تعتمد على ميزات مصممة من قبل الخبراء، مما يؤدي إلى قرارات غير شفافة وقليل من التفسير. في محاولة للتغلب على هذه القيود، قدمت دراسة جديدة نظامًا مبتكرًا يُعرف باسم DeepScrub، وهو إطار عمل يعتمد على التعلم المعزز (Reinforcement Learning) ويدعم نماذج اللغات الكبيرة (Large Language Models) لتحقيق كشف دقيق للاحتيال مع تفكير قابل للتتبع.

يتميز DeepScrub ب ثلاث innovations رئيسية:
1. **وحدة التوحيد الدلالي**: تقوم بتحويل إشارات المخاطر المتنوعة إلى أوصاف نصية تُفهم بسهولة من قبل نماذج اللغات.
2. **التدريب المستمر على البيانات المعنية بالمخاطر**: يدعم إدخال المعرفة الخاصة بالمجال، بجانب تقييم دقة التوقعات وجودة التفكير.
3. **آلية SURE**: تُدرج تعليقات الخبراء والتحقق الذاتي للنموذج لتحسين مسارات التفكير باستمرار.

عند تطبيقه على مجموعة بيانات حقيقية لكشف الاحتيال، حقق DeepScrub درجة macro-F1 بلغت 85.3%، متفوقًا على أفضل القواعد بنسبة 2.7%. كما تفوّق نموذج 8B المصمم خصيصًا على نموذج 32B، مما يظهر أهمية تكيف المجال على حساب حجم النموذج. وعلى مدار أربعة أسابيع في تجارب حية، سجل DeepScrub دقة تبلغ 91.8% واسترجاعًا يصل إلى 88.5%، مما أدّى إلى تقليص عبء العمل المراجع اليدوي للمرحلة الأولى بنسبة 94%، مع توفير ما يقرب من مليون يوان سنويًا.

تكشف هذه النتائج أن DeepScrub لا يحسن دقة مراجعة الاحتيال فحسب، بل يُخفف أيضًا من عبء العمل اليدوي ويقدم أدلة قابلة للتتبع لعمليات مراجعة المخاطر الإنتاجية. إن هذا الابتكار يحمل إمكانيات كبيرة للتغيير في طريقة تعاملنا مع قضايا الاحتيال في العالم الرقمي.