تعتبر مسألة غسل الأموال تهديداً كبيراً للاستقرار المالي، ولذلك يسعى العديد من الباحثين لتطوير تقنيات مبتكرة تستطيع الكشف عن هذه الأنشطة بشكل آلي. وقد كشفت دراسة جديدة عن أهمية استخدام الشبكات العصبية البيانية (Graph Neural Networks - GNNs) في مجال مكافحة غسل الأموال، إلا أن العديد من هذه النماذج تواجه صعوبات في تقييم الأداء الفعلي بسبب الطرق التقليدية للاختبار.

في هذه الدراسة، يتم تقديم نموذج جديد يدعى SALT-GNN، والذي تم تصميمه لمعالجة المشاكل التي تعاني منها النماذج التقليدية في البيئات ذات الكثافة العالية للمعاملات. حيث تركز الدراسة على تحديد كيفية تأثير الكثافة العالية للرسائل والمتلقين على فعالية الكشف عن الأنشطة المشبوهة.

تظهر النتائج التي تم الحصول عليها من خلال ثلاثة مجموعات بيانات (HI-Small، HI-Medium، وAMLSim-32k-5%) وجود تدهور ثابت في أداء النماذج عندما يكون المتلقون يعملون في سياقات كثيفة. يقوم الباحثون بتحليل هذه القضايا ويشيرون إلى نقطتين رئيسيتين من الضعف المتزايد: عدم القدرة على التمييز بين المعاملات المترابطة، والعمى العددي، بالإضافة إلى تأثير خاص مرتبط بالانتباه. وهذا يظهر أن الانتباه في البيئات ذات الكثافة العالية يقلل من القدرة على التعرف على الأنماط الضعيفة ولكن المهمة.

مع هذا التشخيص، تمتاز تقنية SALT-GNN بتصميمها الخفيف والذكي، حيث تدمج بيانات إحصائية معيّنة مع الانتباه خلال جميع مراحل مرور الرسائل. وتساعد هذه الاستراتيجية في تشكيل حالات العقد المستخدمة في خطوات الانتباه اللاحقة، مما يعزز من دقة التنبؤ.

تظهر النتائج أن SALT-GNN يستخدم ما يصل إلى 77% أقل من المعلمات مقارنةً بالأساسيات المخصصة لتحويل البيانات، بينما يُحسّن معدل F1 في الحالات الكثيفة بمعدل يتراوح بين 3-6 نقاط.

علاوة على ذلك، أدى النموذج إلى تحسين كبير في أعلى درجات F1 بالنسبة للمتلقين ذوي الدرجة الأعلى بمعدل يتراوح بين 16-20 نقطة. هذه النتائج تدل على أن تحسين الأداء يتأتى من الطريقة التي يتم بها دمج الأدلة الإحصائية مع الانتباه، وليس من نوعية مشغل الانتباه.

هذا الكشف يُظهر كيف يُمكن لتطبيقات الذكاء الاصطناعي أن تُحدث فارقاً حقيقياً في رؤيتنا لمكافحة غسل الأموال، مما يمنح المؤسسات أدوات أكثر فعالية للتعامل مع التحديات المستقبلية.