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. وبنت الشركة مسارًا يستخرج البيانات من المستندات بسرعة أكبر، ويعالج الطلبات بتكلفة أقل، ويساعد على رصد التطابقات المشبوهة في زمن يقارب الزمن الحقيقي.

كيف يعمل المسار

يقوم الحل على توزيع المهام بين عدة أدوات. تتولى Amazon Textract مهمة التعرف الضوئي على الحروف (OCR) واستخراج النص من وثائق الهوية، وتحوّل Amazon Bedrock النتيجة إلى البنية المطلوبة وتوحّد صيغ الحقول، فيما تساعد Amazon Rekognition في الفحص البصري وسيناريوهات مكافحة الاحتيال.

وتبيّن أن هذا النهج أكثر عملية من محاولة حل كل شيء بنموذج واحد: فالخدمة المتخصصة تتولى الاستخراج، بينما يتكفل النموذج اللغوي الكبير بالتفسير وتصحيح الصيغة وتجميع البنية النهائية للأنظمة الداخلية.

وتحظى سرعة البنية المعمارية بأهمية خاصة. فقد بنت Sun Finance مسارًا للتحقق من الهوية (IDV) يعمل دون خوادم، إذ تبدأ المعالجة عند وقوع الحدث ولا تتطلب بنية تحتية دائمة مخصصة لذروات الحمل. وهذا مفيد بصورة خاصة في عمليات الائتمان والتقنية المالية، حيث يتذبذب تدفق المستندات: قد يكون في الليل في حدوده الدنيا، ثم يرتفع بحدة في ساعات صرف القروض. وفي هذا النمط يسهل ضبط التكلفة، ولا يرتبط زمن الاستجابة بطابور المشغّلين اليدوي الذي كان في السابق قد يؤخر التحقق لساعات طويلة.

• تستخرج OCR النص الخام والحقول من المستند
• يوحّد النموذج اللغوي الكبير البيانات في بنية واحدة ويزيل الضوضاء
• تضيف Rekognition إشارات بصرية للتحقق من الهوية
• يساعد البحث الشعاعي على العثور على الطلبات المتشابهة بصورة مريبة

وفي مكافحة الاحتيال ضمن هذه المنظومة، لا تقتصر الأهمية على قراءة المستند، بل تشمل إمكانية مقارنته بالحالات التي سبقت معالجتها. يتيح البحث الشعاعي تخزين تمثيلات الطلبات والعثور سريعًا على التطابقات القريبة في الصورة أو النص أو مجموعة السمات. وإذا رصد النظام مستندات متشابهة أكثر من اللازم، أو أنماطًا متكررة، أو تقاربًا غير معتاد بين طلبات مختلفة، فقد يحيلها إلى فحص إضافي. وهذا يوفر طبقة حماية أكثر مرونة من القواعد الصارمة البسيطة.

لماذا نجح هذا النهج

الاستنتاج الرئيسي من هذه الحالة أن الجمع بين OCR والنموذج اللغوي الكبير يعطي نتيجة أفضل من استخدام كل مكوّن منهما على حدة. ووفق بيانات Sun Finance، ارتفعت دقة الاستخراج من 79,7% إلى 90,8%. وفي مثل هذه السيناريوهات لا يُعد ذلك تحسينًا شكليًا: فكل بضع نقاط مئوية من الدقة تؤثر مباشرة في حجم التصحيحات اليدوية، وعدد الأخطاء في الاستمارة، وسرعة اتخاذ القرار بشأن الطلب. والنموذج اللغوي الكبير هنا لا يحل محل التعرف المتخصص بل يكمّله: فهو يفهم سياق الحقول، ويوحّد المسميات، ويزيل الشوائب النمطية الناتجة عن OCR، ويجهّز البيانات لمزيد من الأتمتة.

ولا يقل الأثر الاقتصادي وضوحًا. فبحسب وصف AWS، انخفضت تكلفة معالجة المستند الواحد بنسبة 91%، وتقلّص زمن المعالجة من حد أقصى بلغ 20 ساعة إلى أقل من 5 ثوانٍ. وهذا يعني للتقنية المالية عدة أمور في آن واحد: نفقات تشغيلية أقل، وحالات رفض أقل بسبب طول الانتظار، وفرصة أكبر للتحقق من العميل قبل أن يتخلى عن طلبه. وفي الوقت نفسه، يتيح نظام مكافحة الاحتيال القائم على التشابه الشعاعي البحث عن الطلبات المتكررة أو المتشابهة أكثر من اللازم دون بنية خوادم ثقيلة. وبذلك يصبح التحقق أسرع وأكثر قدرة على الصمود أمام محاولات الالتفاف على القواعد الأساسية.

ماذا يعني ذلك

تُظهر حالة Sun Finance أن الذكاء الاصطناعي التوليدي في إدارة المستندات يؤدي أفضل أداء حين يعمل كطبقة فوق خدمات متخصصة قوية أصلًا، لا كبديل شامل للمنظومة بأكملها. وبالنسبة إلى البنوك ومؤسسات التمويل الأصغر وسائر الشركات التي تطبّق إجراءات KYC، فهذه إشارة واضحة: إذا جرى توزيع OCR والهيكلة ومكافحة الاحتيال على مكونات منفصلة بالشكل الصحيح، فيمكن رفع الدقة، وخفض زمن الاستجابة إلى ثوانٍ، وتقليص تكلفة التحقق بصورة ملحوظة في آن واحد.