یادگیری ماشین به کلاهبرداری مالیاتی انتها می دهد - فارس کلوب

به گزارش فارس کلوب، فناوری یادگیری ماشینی در کنار تمامی مزیت های کاربردی و مفید می تواند در موارد نادرست و غیرقانونی نیز به کارگیری گردد. مراکز امنیتی با اتخاذ تدابیر مناسب می توانند از جرائم سایبری با استفاده از ظرفیت های یادگیری ماشینی جلوگیری نمایند.

به گزارش خبرنگار حوزه علم، فناوری و دانش بنیان گروه دانشگاه خبرگزاری فارس کلوب، اصطلاحات هوش مصنوعی و یادگیری ماشین بلافاصله یادآور فیلم هایی همچون ماتریکس هستند که در آن ماشین ها خودآگاه می شوند و می خواهند به دنیا خاتمه دهند. درحالی که چنین طرحی ممکن است یک سناریوی جالب برای هالیوود باشد، اما در واقعیت می تواند به شکل کاملاً متفاوتی صورت بگیرد.

یادگیری ماشین به کامپیوتر این امکان را می دهد تا الگوهای پنهان در داده های موجود را ببینند و به تدریج عملکرد را بهبود ببخشند بدون اینکه به طور صریح برای کار موردنظر برنامه نویسی شوند. در عمل، یادگیری ماشین به عنوان ابزاری کاربردی برای تحلیلگران داده به شمار می آید. قرار نیست که روبات ها را به انسان تبدیل کنیم، بلکه در عوض می توانیم مضامین معنادار را در حجم عظیم داده ها پیدا کنیم و به کاربران نهایی راهکارهایی عملی ارائه دهیم.

این فناوری همچنین می تواند نقش اساسی در کاهش کلاه برداری و سوءاستفاده داشته باشد، به خصوص در سازمان های مختلف و به ویژه در بخش های اقتصادی که بر اساس آن اقتصادیات ها را محاسبه می نمایند. در فصل اقتصادیات، اداره دارایی و نهادهای مرتبط می توانند از چندین روش مختلف یادگیری ماشین برای بهبود سطح فعلی کشف تقلب بهره ببرند. بااین حال این سؤال باقی می ماند،کدام فن بهترین است؟

یادگیری با نظارت

به عنوان یک اصل، بهترین فن، فن چندگانه است و این حتی در دنیای کشف تقلب نیز صادق است؛ جایی که قوانین تجارت سنتی و انواع مختلف یادگیری ماشین بر روی یکدیگر لایه بندی می شوند.

یکی از محبوب ترین انواع یادگیری ماشین، یادگیری با نظارت است. یادگیری با نظارت را به عنوان الگویی پیش بینی نماینده قلمداد می نمایند زیرا می تواند به سازمان های اقتصادیاتی این امکان را بدهد تا از کل پرونده های کلاه برداری و ممیزی که در گذشته کارشده اند، استفاده کند و دریابد کدام ویژگی این پرونده ها با یک پروندهٔ پیروز همبستگی دارد. سپس این الگوها را می توان به صورت یک طرح درآورد تا برای جستجوی اتوماتیک موارد مشابه در آینده استفاده شوند.

روش های یادگیری با نظارت با مدل سازی پیش بینی نماینده بیشتر برای نهادهایی مفید است که اسناد اقتصادیاتی گذشته غنی داشته باشند. به عبارت دیگر آژانس های اقتصادیاتی می توانند از این مکانیسم استفاده نمایند که می خواهند ماهی هایی بیشتری را از حفره هایی که قبلاً در آن صید ماهی انجام شده پیدا نمایند. به همین دلیل، این روش بیشتر برای تشخیص سرقت هویت و کلاه برداری اقتصادی در بخش هایی قابل استفاده است که اقتصادیات دهندگان قبلاً ازآنجا حسابرسی شده باشند؛ بنابراین، ماشین باید موارد ابتدایی را برای یادگیری داشته باشد.

داده های موردی که برای آموزش ماشین استفاده می گردد باید شامل اشتباهات حسابرسان و مواردی که به صورت قانونی قابل دور زدن است نیز باشند تا کامپیوتر به درستی دریابد که چه نوع حفره هایی وجود دارد.

یادگیری ماشین نه تنها باعث صرفه جویی در ساخت ساختاری برای تشخیص کلاه برداری می گردد بلکه می تواند تبعیض را در برابر برخی از اقتصادیات دهندگان (در صورت پیاده سازی صحیح) از بین ببرد. حسابرسان به طور سنتی برای ساختن مجموعه ای از قوانین اگر این طور باشد/ پس بدین معناست در اقتصادیات دهندگان به درک مستقیم و شهودی خود از کلاه برداری تکیه می نمایند.

درحالی که این روش به طور مؤثری پا را فراتر از تجربیات بازرسان و حسابرسان می گذارد و از سرنخ هایی ظریف به عظیم ترین کلاه برداری ها می رسد.

ارزش یادگیری بدون نظارت

اگر یادگیری با نظارت برای ماهیگیری درجایی باشد که افراد قبلاً در آن ماهیگیری نموده اند، نوع دیگری از یادگیری ماشین به نام یادگیری بدون نظارت وجود دارد که به معنای ماهیگیری درجایی است که قبلاً کسی در آن ماهیگیری ننموده است!

درحالی که یادگیری با نظارت تعداد ماهی های صیدشده در مناطق شناخته شده را افزایش می دهد، شرایط بخش هایی که موقعیت اقتصادیاتی شان مبهم است و نرخ بالای عدم رعایت قوانین و اظهار اقتصادیاتی در آنجا وجود دارد، مبهم باقی می ماند.

یادگیری ماشین بدون نظارت هنگامی استفاده می گردد که داده های قبلی در دسترس نباشند و سازمان امور اقتصادیاتی لزوماً آنچه را که به دنبال آن هستند و فن های مورداستفاده و... را درست نشناسد (ازاین رو اصطلاح بدون نظارت مورداستفاده قرار می گیرد.) سؤالی که در این فن سعی می گردد پاسخ داده گردد این است که ما چه چیزی را نمی دانیم؟

این روش به ماشین اجازه می دهد تا بدون آنکه قبلاً در معرض اطلاعات اقتصادیاتی قرارگرفته باشد، در یک جهت نظارت نشده و ناآشنا حرکت کند و توجه شمارا به هر چیزی که غیرمعمول می رسد جلب کند.

یکی از این فن ها، خوشه بندی نامیده می گردد و یکی از روش های انجام این کار است. ماشین به طور اتوماتیک تمام اظهارنامه های اقتصادیاتی را در گروه هایی که دارای شباهات با یکدیگرند قرار می دهد (خوشه بندی کردن) و سپس اظهارنامه هایی را که در خارج از این گروه ها قرار دارند را به عنوان مواردی که احتیاج به آنالیز بیشتر دارد تعیین می نماید.

هر دو رویکرد با نظارت و بدون نظارت می تواند برای سازمان های اقتصادیاتی دولتی ارزش فوق العاده ای داشته باشد، به ویژه هنگامی که سخن از مجموعه های پیچیده داده مانند اظهارنامه های اقتصادیاتی، تراکنش های اقتصادی، اطلاعات تماس اقتصادیات دهندگان، حساب های قابل وصول، ترافیک شبکه و حتی فعالیت های کارمندان باشد.

تغییر باگذشت زمان

یادگیری ماشین می تواند درزمینه کاهش کلاه برداری و سوءاستفاده از بخش های درآمدی سودمند باشد، بااین وجود هنوز هم امکان بهبود این مدل ها وجود دارد. دولت ها می خواهند با ایجاد حلقه بازخورد، مدل های اقتصادیاتی را بهبود بخشند. اینجاست که محیط های یادگیری ماشین از داده های جدید ورودی استفاده می نمایند تا به صورت بلادرنگ و دائمی همه چیز را تحت نظر داشته باشند.

همچنین می توان یادگیری ماشین را به گونه ای پیکربندی کرد تا به طور اتوماتیک به کاربران هشدار دهد که مدل های پیش بینی شده فعلی آن ها ازنظر دقت پایین آمده است، به این معنی که برای به دست آوردن پاسخ های دقیق، برخی اطلاعات و سازوکارها باید مجدداً تنظیم یا اصطلاحاً ریست شوند.

درک یادگیری ماشین برای برخی افراد می تواند سخت باشد. بااین وجود سیستم اقتصادیاتی علی رغم کوشش جدی حسابرسان اقتصادیاتی کشورمان همچنان آکنده از موارد تقلب و سوءاستفاده هستند. کلاه برداران به دنبال استفاده از نقاط ضعف و نقاط کور برای بهره برداری هستند. یادگیری ماشین قابلیت ها و ابزاری باارزش و قدرتمند را برای حسابرسان فراهم می نماید تا مبالغ دزدی شده را کاهش دهند. یادگیری ماشین می تواند حفره هایی که سارقان در سیستم اقتصادی پیدانموده اند را بیابد و به بستن این شکاف ها یاری کند.