في عالم مكافحة غسل الأموال (Anti-Money Laundering - AML)، تعد القدرة على تقييم الأنشطة المشبوهة بشكل فعّال أمرًا حيويًا. تتيح الأنظمة المعتمدة على الرسوم البيانية في شبكات blockchain التحكم في هذه الأنشطة عبر مستويين مختلفين من التفصيل: مستوى المعاملات ومستوى عناوين الممثلين. ولكن، هل تتوافق القوائم التي تم إنشاؤها وفقًا لهذين المستويين؟
دراسة جديدة تكشف النقاب
تقدم الدراسة الحالية منهجية تقييم مبتكرة لقياس كيفية تأثير مستوى التفصيل على تكوين قوائم التحقيق، مع وضع ميزانيات مراجعة ثابتة في الاعتبار. من خلال إطار عمل واضح، قامت الدراسة بتطوير نموذج ينقل الدرجات المعتمدة على المعاملات إلى الوحدات التي تتعامل مع الممثلين باستخدام أربع مشغلات تجميعية.
النتائج الأساسية
تم استخدام مجموعة بيانات Elliptic++ العامة التي تضم أكثر من 200 ألف معاملة و800 ألف عنوان، وتم تدريب نماذج عشوائية على كل مستوى من مستويات التفصيل. أظهرت النتائج أن تقييم البيانات في مستوى معين يمكن أن يؤدي إلى انخفاض كبير في نسبة الأنشطة غير المشروعة التي يتم اكتشافها.
في دراسة تقييم زمنية، حقق المتوسط لدرجة Jaccard 0.374 (الانحراف المعياري 0.171) عند ميزانية 1%. بينما تقييم البيانات الثابتة حقق 0.087. تم العثور على أن النماذج الأكثر تعقيدًا تؤدي إلى ترابط أقل بين الأنشطة المشبوهة، مما يعد دليلاً على الحاجة إلى تحسين استراتيجيات التحقيق.
استنتاجات هامة
تشير النتائج إلى أن الاختيار بين مستويي التفصيل له تأثير كبير على فعالية الأنظمة، وبالتالي يجب اعتباره في تصميم أنظمة AML. لذا، كيف يمكنك تحسين استراتيجياتك في مكافحة غسل الأموال؟
**هل تعتقد أن مستوى التفصيل في تقييم البيانات يلعب دورًا حاسمًا في عمليات مكافحة غسل الأموال؟ شارك برأيك!**