كيف سرّعت Sun Finance وAWS التحقق من المستندات وخفّضتا مخاطر الاحتيال

نقلت Sun Finance التحقق من الهوية إلى الوضع الآلي باستخدام خدمات AWS والذكاء الاصطناعي التوليدي. بنت الشركة خط أنابيب يستخرج البيانات من المستندات بشكل أسرع، ويعالج الطلبات بتكلفة أقل، ويساعد في اكتشاف التطابقات المريبة في الوقت الفعلي تقريباً.

كيف يعمل خط الأنابيب

يعتمد الحل على تقسيم المهام بين أدوات متعددة. Amazon Textract يتولى الكشف البصري للأحرف (OCR) واستخراج النص من وثائق الهوية، Amazon Bedrock ينظم النتيجة ويوحد المجالات، بينما Amazon Rekognition يدعم التحقق البصري وسيناريوهات مكافحة الاحتيال. أثبتت هذه الطريقة أنها أكثر عملية من محاولة حل كل شيء بنموذج واحد: تقوم خدمة متخصصة بالاستخراج، بينما يتولى نموذج اللغة الكبيرة التفسير وتصحيح الصيغة وتجميع البنية النهائية للأنظمة الداخلية.

سرعة البنية المعمارية نقطة حاسمة بنفس القدر. بنت Sun Finance خط أنابيب IDV بدون خوادم حيث يتم تشغيل المعالجة بواسطة الأحداث ولا تتطلب بنية تحتية ثابتة لقمم الحمل. هذا مفيد بشكل خاص لعمليات الإقراض والخدمات المالية حيث يكون تدفق المستندات غير مستقر: يمكن أن يكون ضئيلاً في الليل ويرتفع بشكل حاد أثناء ساعات الإصدار. في هذا النظام، يكون التحكم في التكاليف أسهل، ولا يعتمد وقت الاستجابة على قوائم الانتظار اليدوية للعاملين الذين كانوا يمكنهم سابقاً تأخير التحقق لساعات عديدة.

• يستخرج OCR النص والحقول الخام من المستند
• يجلب نموذج اللغة الكبيرة البيانات إلى بنية موحدة ويزيل الضوضاء
• يضيف Rekognition إشارات بصرية للتحقق من الهوية
• يساعد البحث المتجه في العثور على تطبيقات مريبة متشابهة

بالنسبة لمكافحة الاحتيال في هذا النظام، من المهم ليس فقط قراءة المستند بل أيضاً مقارنته مع الحالات المعالجة بالفعل. يسمح البحث المتجه بتخزين متجهات الطلبات والعثور بسرعة على تطابقات قريبة حسب الصورة أو النص أو مزيج من الميزات. إذا كتشفت النظام وثائق متشابهة جداً أو أنماط متكررة أو قرب غير نمطي بين طلبات مختلفة، يمكنها إرسالها للمراجعة الإضافية. وهذا يوفر طبقة حماية أكثر مرونة من القواعد الجامدة البسيطة.

لماذا نجح هذا

الاستنتاج الرئيسي هو أن دمج OCR ونموذج اللغة الكبيرة ينتج عنه نتائج أفضل من استخدام كل مكون بشكل مستقل. وفقاً لـ Sun Finance، زادت دقة الاستخراج من 79.7% إلى 90.8%. لمثل هذه السيناريوهات، هذا ليس تحسيناً سطحياً: كل بضع نقاط مئوية من الدقة تؤثر بشكل مباشر على حجم إعادة العمل اليدوي وعدد أخطاء النموذج وسرعة اتخاذ قرارات الطلب.

نموذج اللغة الكبيرة هنا لا يحل محل الكشف المتخصص بل يكمله: يفهم سياق المجالات، ويوازن الأسماء، ويزيل الأعمال الفنية النموذجية لـ OCR، ويجهز البيانات للأتمتة الإضافية.

التأثير الاقتصادي بنفس القدر ملحوظ. انخفضت تكلفة معالجة المستند الواحد، وفقاً لـ AWS، بنسبة 91%، وانخفض وقت المعالجة من حد أقصى قدره 20 ساعة إلى أقل من 5 ثوان. بالنسبة للخدمات المالية، هذا يعني عدة أشياء في نفس الوقت: تكاليف تشغيلية أقل، وعدد أقل من الرفضات بسبب الانتظار الطويل، وفرصة أفضل للتحقق من العميل قبل أن يتخلى عن الطلب.

بالتوازي، يسمح نظام مكافحة الاحتيال القائم على المتجهات بالبحث عن طلبات متكررة أو متشابهة جداً بدون نفقات خادم ثقيلة. هذا يجعل التحقق ليس أسرع فحسب بل أيضاً أكثر مقاومة لمحاولات تجاوز القواعد الأساسية.

ما يعني هذا

يوضح حالة Sun Finance أن الذكاء الاصطناعي التوليدي في معالجة المستندات يعمل بشكل أفضل ليس كبديل عام لجميع المكونات، بل كطبقة فوق الخدمات المتخصصة القوية بالفعل. بالنسبة للبنوك والمؤسسات المالية غير البنكية والشركات الأخرى ذات عمليات التحقق من الهوية، هذا يرسل إشارة واضحة: إذا تم توزيع OCR والبنية والحماية من الاحتيال بشكل صحيح عبر مكونات مختلفة، يمكنك تحسين الدقة بشكل متزامن، وتقليل وقت الاستجابة إلى ثوان، وتقليل تكلفة التحقق بشكل ملحوظ.