नई दिल्ली। आर्टिफिशियल इंटेलिजेंस आधारित फ्रॉड डिटेक्शन सिस्टम्स में एक नई तकनीक ने शुरुआती चेतावनी देने की क्षमता दिखाई है। न्यूरो-सिंबॉलिक अप्रोच पर आधारित इस मॉडल में FIDI Z-Score नामक मैट्रिक ने यह संकेत दिया है कि यह बिना किसी लेबल (ग्राउंड ट्रुथ) के भी फ्रॉड पैटर्न में बदलाव, यानी कॉन्सेप्ट ड्रिफ्ट, को समय रहते पहचान सकता है—वह भी उस चरण में जब पारंपरिक संकेतक सामान्य स्थिति दर्शा रहे होते हैं।
हालिया प्रयोगों के नतीजों के अनुसार, यह सिस्टम 5 में 5 मामलों में कॉन्सेप्ट ड्रिफ्ट को पहचानने में सफल रहा, और कुछ स्थितियों में यह F1 स्कोर में गिरावट आने से एक विंडो पहले ही अलर्ट देने में सक्षम रहा। यह क्षमता खासतौर पर उन संस्थानों के लिए अहम मानी जा रही है, जहां रियल-टाइम फ्रॉड डिटेक्शन सिस्टम्स का इस्तेमाल बड़े पैमाने पर किया जाता है।
इस तकनीक की खासियत इसका हाइब्रिड आर्किटेक्चर है, जिसमें दो अलग-अलग लेयर साथ काम करती हैं—एक पारंपरिक न्यूरल नेटवर्क (MLP) और दूसरी रूल-आधारित सिंबॉलिक लेयर। जहां MLP बड़े डेटा से पैटर्न सीखकर भविष्यवाणी करता है, वहीं सिंबॉलिक लेयर उन पैटर्न्स को IF-THEN नियमों के रूप में परिभाषित कर उनकी निगरानी करती है।
प्रयोगों में यह स्पष्ट हुआ कि जब डेटा में धीरे-धीरे बदलाव आता है—जैसे किसी खास फीचर का व्यवहार बदलना—तो न्यूरल नेटवर्क कुछ समय तक उस बदलाव को अपने अंदर समायोजित कर लेता है। इसका परिणाम यह होता है कि आउटपुट या F1 स्कोर में तुरंत गिरावट नहीं आती। हालांकि, सिंबॉलिक लेयर इस बदलाव को तुरंत दर्ज कर लेती है क्योंकि उसके नियम स्थिर होते हैं और वे नए पैटर्न के अनुरूप खुद को तुरंत नहीं बदलते। यही अंतर इस मॉडल को शुरुआती चेतावनी देने में सक्षम बनाता है।
FIDI Z-Score इसी सिद्धांत पर आधारित है। यह किसी फीचर में आए बदलाव को सीधे नहीं मापता, बल्कि यह देखता है कि वह बदलाव उस फीचर के अपने ऐतिहासिक व्यवहार के मुकाबले कितना असामान्य है। उदाहरण के तौर पर, एक महत्वपूर्ण फीचर V14 में बदलाव सामान्य तौर पर बेहद छोटा था, लेकिन जैसे ही उसके व्यवहार में परिवर्तन आया, यह बदलाव उसके पिछले डेटा के मुकाबले −9.53 स्टैंडर्ड डिविएशन तक पहुंच गया—जो एक स्पष्ट चेतावनी संकेत माना गया।
FutureCrime Summit 2026 Calls for Speakers From Government, Industry and Academia
इस अलर्ट सिस्टम में RWSS (Rule Weight Stability Score), RWSS Velocity और PSI (Population Stability Index) जैसे अन्य संकेतक भी शामिल हैं। हालांकि परीक्षणों में पाया गया कि RWSS कई बार बदलाव को पकड़ने में पीछे रह गया, जबकि PSI पूरे प्रयोग के दौरान लगभग निष्क्रिय ही रहा। इसके विपरीत, FIDI Z-Score ने हर बार समय पर और सटीक संकेत दिया।
हालांकि इस तकनीक की कुछ सीमाएं भी सामने आई हैं। कोवेरिएट ड्रिफ्ट, जिसमें सभी इनपुट फीचर्स एक साथ बदलते हैं, उस स्थिति में यह सिस्टम पूरी तरह निष्क्रिय साबित हुआ। इसके अलावा, जब फ्रॉड की कुल दर अचानक बढ़ती है, जिसे प्रायर ड्रिफ्ट कहा जाता है, तब यह सिस्टम अपेक्षाकृत देर से प्रतिक्रिया देता है क्योंकि इसे काम करने के लिए कम से कम तीन विंडो का ऐतिहासिक डेटा चाहिए होता है।
विशेषज्ञों का मानना है कि इस तकनीक को प्रभावी बनाने के लिए इसे अन्य मॉनिटरिंग टूल्स के साथ जोड़ना जरूरी होगा, जैसे इनपुट डेटा के लिए PSI या KS टेस्ट, और फ्रॉड रेट को ट्रैक करने वाले सिस्टम्स। इस तरह एक मल्टी-लेयर मॉनिटरिंग फ्रेमवर्क तैयार किया जा सकता है जो हर तरह के ड्रिफ्ट को कवर कर सके।
तकनीकी दृष्टि से इसकी एक बड़ी खासियत यह भी है कि इसे लागू करना अपेक्षाकृत सरल बताया गया है। मॉडल को ट्रेन करने के बाद केवल एक बार बेसलाइन सेव करनी होती है, और इसके बाद हर नए डेटा सेट पर एक साधारण .check() फंक्शन के जरिए अलर्ट प्राप्त किया जा सकता है—बिना किसी अतिरिक्त लेबल या री-ट्रेनिंग के।
कुल मिलाकर, यह तकनीक फ्रॉड डिटेक्शन के क्षेत्र में एक नई दिशा की ओर इशारा करती है, जहां केवल सटीकता ही नहीं बल्कि “पहले से चेतावनी देने की क्षमता” भी उतनी ही महत्वपूर्ण होती जा रही है। न्यूरो-सिंबॉलिक मॉडल का यह दृष्टिकोण इसी बदलाव की ओर एक ठोस कदम माना जा रहा है, जहां मशीन लर्निंग सिस्टम न सिर्फ निर्णय लेते हैं, बल्कि यह भी संकेत देते हैं कि कब उनके निर्णय गलत होने की संभावना बढ़ रही है।
