Snowflake وAmazon Quick تختصران فحص مكافحة غسل الأموال من ساعة إلى خمس دقائق

اتحدت Amazon وSnowflake لتسريع إحدى أكثر العمليات استنزافاً للجهد في الخدمات المالية، وهي فحص العمليات المشبوهة للكشف عن غسل الأموال (AML). وجاءت النتيجة أفضل من المتوقع: فقد انخفض زمن التحليل من ساعة ونصف إلى أقل من خمس دقائق.

لماذا كانت هذه مشكلة

تتلقى البنوك والشركات المالية يومياً آلاف التنبيهات عن عمليات يُحتمل أن تكون مشبوهة. ويجب فحص كل تنبيه يدوياً: يراجع المحلل سجل المدفوعات وبيانات العميل والموقع الجغرافي وأنماط الإنفاق. وتستغرق الحالة الواحدة من نصف ساعة إلى ساعة ونصف.

هذه العملية مكلفة وبطيئة وعرضة للخطأ البشري. وتقف فرق الامتثال في البنوك الكبرى أحياناً في طوابير بانتظار الفحص. فتتأخر العمليات، ويشتكي العملاء، وترتفع التكاليف.

والأهم أنه من المستحيل فحص جميع التنبيهات بالدقة نفسها. فلا بد من ترتيب الأولويات، وهذا يعني أن شيئاً ما قد يفلت من الرقابة.

كيف يعمل Amazon Quick مع Snowflake Cortex

يرتبط Amazon Quick Flows وSnowflake Cortex AI عبر Model Context Protocol (MCP). يجمع سير العمل (workflow) تلقائياً المعلومات عن العميل والعملية، ويمررها إلى الذكاء الاصطناعي، ويحصل منه على توصية بشأن حالة التنبيه. ولا يبقى على المحلل سوى تأكيد قرار الآلة أو رفضه.

وتجري العملية على النحو الآتي: يسحب النظام البيانات من أنظمة الدفع وسجل العميل وملفه الشخصي ضمن إجراءات KYC (Know Your Customer) والمواقع الجغرافية للعمليات. ثم يحلل Snowflake Cortex ذلك كله في سياقه، ويصدر تقييماً للمخاطر: مرتفع أو متوسط أو منخفض. وعند الحاجة، يقترح النظام خطوات إضافية، أما إذا كان الخطر منخفضاً بوضوح فيغلق التنبيه تلقائياً.

ماذا يفعل النظام

• جمع البيانات من مصادر مختلفة (أنظمة الدفع وسجل العمليات وقواعد بيانات KYC)
• تحليل سلوك العميل عبر Snowflake Cortex AI
• ترتيب المخاطر تلقائياً مع تفسير للتقييم
• إعداد تقرير للمحلل
• تسجيل الإجراءات لأغراض الامتثال والتدقيق

ويحدث هذا كله خلال ثوانٍ معدودة بدلاً من ساعة إلى ساعة ونصف.

أرقام من الاختبار

أجرت Amazon وSnowflake اختباراً وحصلتا على النتائج الآتية:

• زمن فحص التنبيه الواحد: من 30–90 دقيقة إلى أقل من 5 دقائق
• العبء على المحللين: انخفض بنسبة 80–90%
• الطاقة الاستيعابية: يمكن لفريق واحد معالجة عدد تنبيهات أكبر بعشر مرات
• الدقة: يرصد الذكاء الاصطناعي أنماطاً يغفلها البشر

وتعتمد النتائج على تعقيد التنبيه وحجم البيانات وإعدادات سير العمل، لكن المكسب جدّي حتى في أسوأ السيناريوهات.

ماذا يعني هذا للخدمات المالية

تحصل المؤسسات المالية على أداة تتيح لها كشف الاحتيال وغسل الأموال بسرعة أكبر، مع تحرير الموظفين من العمل الروتيني. وتزداد أهمية ذلك مع تنامي الأحجام وصعوبة العثور على متخصصي امتثال.

وبالنسبة إلى AWS وSnowflake، يشكّل هذا مثالاً آخر على قدرة الذكاء الاصطناعي على إفادة عمليات المؤسسات، وعلى تحوّل MCP إلى معيار لدمج الأنظمة المختلفة.