في عصر تتزايد فيه عمليات الاحتيال الموجهة تجاه وثائق الهوية، تتطلب الحاجة إلى تقنيات متطورة للكشف عن هذه العمليات ردود فعل سريعة ودقيقة. دراسات جديدة تقدم حلاً مبتكرًا يعتمد على التعلم المدرك للتصميم (Layout-Aware Representation Learning) لاكتشاف عمليات الاحتيال في هويات مفتوحة، وهو مفهوم يتجاوز مجرد التصنيف الثابت.


تتغير أساليب المحتالين باستمرار، مما يجعل تصنيفات الاحتيال التاريخية غير فعالة. فبينما تحاول الأنظمة القديمة مكافحة الاحتيال، نجد أن المحتالين يبتكرون قوالب جديدة لتجاوز الأنظمة التقليدية. في هذا السياق، تم استخدام طريقة DINOv3، حيث تم ضبطها على مجال الوثائق عبر تقنية ضبط السياق (SimMIM) والتعليم الموجه (supervised metric learning)، مما أدى إلى تكوين نموذج يتسم بالدقة العالية.


عند التدريب باستخدام بيانات هويات الولايات المتحدة الأمريكية فقط، حققت التقنية الجديدة دقة تصل إلى 99.83% في تصنيف التخطيطات الخاصة بالهويات الكندية. ومن المثير للاهتمام، أن التحليل المساحي لبيانات الهويات الكندية، التي تحتوي على 20,448 هوية، قد كشف عن 276 حالة احتيال مادية منضبطة، بما في ذلك 222 حالة لم تكشفها الأنظمة التقليدية.


تقوم هذه التقنية الجديدة بتوسيع نطاق الكشف عن الاحتيال، بحيث تسمح باكتشاف حالات جديدة مرتبطة بعملية احتيال واحدة مع تأصيل العلاقات بدون الحاجة إلى البيانات التقليدية. إن نماذج الوثائق المدركة للتخطيط تقدم قاعدة قوية لاكتشاف الاحتيالات الجديدة وتحليلها في ظل التغيرات في البيانات، مما يعزز قدرة الأعمال على الاستجابة بشكل أسرع وأكثر فعالية.


هل أنتم مستعدون لمواجهة تحديات الاحتيال بأدوات ذكاء اصطناعي حديثة؟ شاركونا آرائكم في التعليقات.