—مشروع نظام كشف الاحتيال البنكي باستخدام الذكاء الاصطناعي – FraudShield AI1. المقدمةمع تزايد العمليات البنكية الإلكترونية وانتشار الخدمات الرقمية، أصبحت المؤسسات المالية أكثر عرضة لعمليات الاحتيال مثل سرقة البطاقات، التحويلات المشبوهة، محاولات تسجيل الدخول الغير طبيعية، وغيرها.الأنظمة التقليدية القائمة على القواعد (Rule-Based Systems) لم تعد كافية بسبب تطور أساليب الاختراق والاحتيال.من هنا جاءت فكرة FraudShield AI، وهو نظام ذكي يعتمد على تحليل البيانات – Machine Learning – Deep Learning لاكتشاف الأنشطة غير الطبيعية في الوقت الحقيقي، ومنع الاحتيال قبل حدوثه.—2. مشكلة الدراسةتواجه البنوك التحديات التالية:1. صعوبة اكتشاف الاحتيال في الوقت الفعلي.2. تطور تقنيات الاحتيال وتجاوز الأنظمة التقليدية.3. الحجم الضخم للمعاملات اليومية الذي يصعب تحليله يدويًا.4. مشكلة البيانات غير المتوازنة (قلة حالات الاحتيال مقارنة بالمعاملات السليمة).5. ارتفاع خسائر البنوك بسبب عمليات احتيال لم تُكتشف مبكرًا.—3. أهداف المشروعأولاً: الأهداف العامة• بناء نظام ذكي لكشف الاحتيال البنكي باستخدام الذكاء الاصطناعي بدقة عالية.• تحليل المعاملات البنكية في الوقت الفعلي.ثانياً: الأهداف التفصيلية• تطبيق خوارزميات تعلم الآلة لاكتشاف الأنشطة المشبوهة.• إنشاء لوحة معلومات Dashboard لمراقبة الحالات.• تصميم نظام تنبيهات Alerts فوري عند اكتشاف الاحتيال.• استخدام نماذج تصنيف Classification لمعرفة الاحتيال المحتمل.• مقارنة أداء نماذج الذكاء الاصطناعي المختلفة.—4. الأدوات والتقنيات المستخدمةBack-End• Python• Django REST Framework• Jupyter Notebook لمرحلة تدريب النماذج• Pandas – NumPy للتحليلFront-End• React.js• HTML / CSS• Chart.js للرسوم البيانيةالذكاء الاصطناعي• Scikit-learn• TensorFlow• Random Forest• XGBoost• Isolation Forest• Neural Networksقواعد البيانات• PostgreSQL—5. منهجية تطوير المشروعتم استخدام منهجية Agile Scrum:1. جمع المتطلبات2. تحليل البيانات3. معالجة البيانات وتنظيفها4. اختيار خوارزميات الذكاء الاصطناعي5. بناء النماذج وتدريبها6. اختبار النموذج على بيانات حقيقية7. تطوير الواجهة الأمامية والخلفية8. الربط Integration9. الاختبار النهائي10. النشر Deployment—6. مكونات النظام1. وحدة جمع وتحليل البيانات• تحليل بيانات المعاملات البنكية• اكتشاف الأنماط الشاذة2. وحدة الذكاء الاصطناعي• نموذج تصنيف معاملات مشبوهة• نموذج كشف الشذوذ Anomaly Detection• إعادة تدريب النموذج دوريًا3. وحدة التنبيهات Alerts• إرسال تنبيه فوري للإدارة عند الاشتباه• تصنيف خطورة العملية (منخفض – متوسط – مرتفع)4. لوحة التحكم Dashboard• عرض حالات الاحتيال المحتملة• إحصائيات ورسوم بيانية• مقارنة بين الأيام/الشهور—7. الخوارزميات المستخدمة1. Random Forest Classifierمناسب للتعامل مع البيانات غير المتوازنة2. Logistic Regressionbaseline بسيط للمقارنة3. Isolation Forestلاكتشاف الشذوذ في المعاملات4. Neural Networksلتحسين الدقة في الحالات المعقدة5. Autoencodersتعلم الأنماط السليمة واكتشاف الانحرافات عنها—8. النتائج المتوقعة• دقة كشف احتيال تتراوح بين 95% – 97%.• انخفاض الخسائر البنكية بنسبة 65%.• تحسين سرعة الاستجابة للحالات المشبوهة بنسبة 80%.• توفير نظام ذكي سريع قابل للتطوير والبناء عليه مستقبلًا.—9. الخاتمةيقدم FraudShield AI نموذجًا عمليًا لحماية المؤسسات المالية باستخدام الذكاء الاصطناعي. ويعد خطوة مهمة نحو مستقبل يعتمد على أنظمة أمنية ذكية بدلًا من الطرق التقليدية، مما يقلل الخسائر ويحسن جودة الخدمات البنكية.—فريق العملخالد محمود – مريم حسن – سلوى صابر – محمد عادلمشرف المشروعد. شيماء عبد الرازقسنة التخرج2024