في عالم يتزايد فيه الاعتماد على الأنظمة الآلية لمراقبة المعاملات المصرفية، تواجه الأساليب التقليدية المبنية على القواعد تحديات كبرى. إذ غالباً ما تعاني هذه الأنظمة من معدلات إيجابية كاذبة مرتفعة، مما يؤدي إلى تقليل فعاليتها للفرق المسؤولة عن الامتثال. في هذا الإطار، تقدم الدراسة تجربة مبتكرة من خلال تقديم نموذج ذكاء اصطناعي قابل للتفسير (Explainable Artificial Intelligence, XAI) لمساعدة الفرق الداخلية في كشف الاحتيالات عند مراجعة العمليات المصرفية.

تم استخدام نموذج غابة العزل (Isolation Forest, iForest) لتقييم المعاملات غير الطبيعية بشكل غير مُراقَب، مع استخدام طبقة SHAP (SHapley Additive exPlanations) لتوفير تفسيرات على مستوى المعاملات، مما يعزز الفهم من خلال نظرية الألعاب التعاونية. تسهل لوحة التحكم المبنية باستخدام Streamlit الوصول لهذه المخرجات بشكل بسيط ومباشر لمراجعي الحسابات، حتى لأولئك الذين ليست لديهم خبرة في تعلم الآلة.

عند تقييم هذه الأدوات على مجموعة بيانات مصرفية صناعية، أظهرت نتائج الدراسات دقة قدرها 0.91 وتذكّرًا بمعدل 0.88، مما يدل على تفوقها على ثلاثة نماذج غير مُراقبة أخرى. كما أكد المتخصصون أن التفسيرات على مستوى الميزات تعزز فعاليّة الثقة وجودة القرار للمراجعين.

باختصار، يُعَد هذا الإطار خطوة نحو نشر الذكاء الاصطناعي القابل للتفسير بشكل عملي وشفاف في البيئات المالية المُنظّمة، مما يُبشر بعصر جديد من الأمان والشفافية في القطاع المصرفي.