تعد حسابات المحتالين الماليين من أهم العوامل المساعدة في الاحتيال المالي، ورغم ذلك، يبقى الكشف عنها على نطاق واسع تحدياً صعباً بسبب تباين البيانات المتعلقة بالمعاملات والسلوكيات. عالجنا هذه المشكلة بتقديم نظام متكامل للكشف عن المجرمين الماليين يتضمن ثلاث مراحل أساسية:

1. **التصنيف باستخدام LightGBM**: تم تدريب نموذج التصنيف LightGBM على 280 خاصية مصممة مسبقًا، تغطي أنماط المعاملات، والخصائص الديموغرافية للحسابات، وبنية الشبكة، والسلوك الزمني.

2. **طبقة النسب TreeSHAP**: تتيح هذه الطبقة تحليل كل تنبؤ وتفكيكه إلى مساهمات محددة من الميزات.

3. **نموذج لغوي كبير (LLM)**: يقوم هذا النموذج بتحويل نسب SHAP إلى سرد بلغة طبيعية موجهة للمحللين.

لقد أجرينا تقييمًا على ثلاثة عائلات من النماذج اللغوية الكبيرة وقياس جودة الشرح من خلال مراجعات المحللين. في إطار التجربة الحية، حقق النظام الجديد معدل كشف بلغ 89%، ارتفع من 61% مع النظام السابق القائم على القواعد. كما زاد حجم التنبيهات الشهرية من 211 إلى 302، مما يعكس تغطية أكبر للحالات الإيجابية الصحيحة بدلاً من زيادة الضوضاء.

يعكس هذا كفاءة كشف زائدة بنسبة 60% مقارنةً بتدفقات المراجعة الحالية، مما يتفوق بشكل كبير على الطريقة المعتمدة سابقًا. وتظهر ردود الفعل النوعية من المحللين أن السرد الناتج من نماذج اللغة الكبيرة يساهم في تقليل العبء المعرفي أثناء معالجة التنبيهات.

وفي ختام الموضوع، تناقش الدراسة تبعات تطبيق الشفافية المعززة بالذكاء الاصطناعي في البيئات المالية المنظمة.