۷ ابزار هوش مصنوعی برای تشخیص جعل اسناد در فرایند پذیرش سازمانی

پذیرش مشتری، فروشنده، وام‌گیرنده یا تأمین‌کننده اغلب به اسنادی مانند گذرنامه، گواهی ثبت شرکت، صورت‌حساب بانکی و اظهارنامه مالیاتی وابسته است. هم‌زمان، ویرایش فایل‌های واقعی و ساخت اسناد کاملاً مصنوعی با ابزارهای مولد آسان‌تر شده است. در نتیجه، بررسی ظاهری توسط انسان یا قواعد ثابت دیگر برای همه انواع جعل کافی نیست.

گزارش AI News هفت محصول را مرور کرده است. این فهرست رتبه‌بندی مستقل آزمایشگاهی نیست و چند عدد عملکردی آن از ادعاهای خود فروشندگان می‌آید؛ بنابراین انتخاب نهایی باید با داده‌های واقعی هر سازمان آزموده شود.

چه نوع تقلب‌هایی باید شناسایی شوند؟

• جعل فیزیکی و حمله ارائه: سند فیزیکی تقلبی یا نمایش یک سند واقعی از روی صفحه و کپی.
• دست‌کاری فایل واقعی: تغییر نام، تاریخ، نشانی یا موجودی در تصویر یا PDF اصلی.
• جعل سریالی مبتنی بر الگو: استفاده دوباره از یک قالب یا تصویر در درخواست‌های متعدد.
• اسناد کاملاً تولیدشده با هوش مصنوعی: فایل‌هایی که از ابتدا ساخته شده‌اند و ممکن است ردپای ویرایش سنتی نداشته باشند.

همچنین باید میان مدارک هویتی استاندارد، مانند گذرنامه، و مدارک پشتیبان متنوع، مانند قبض و صورت‌حساب بانکی، تفاوت گذاشت؛ بسیاری از محصولات فقط در یکی از این دو حوزه تخصص دارند.

هفت ابزار مطرح‌شده

۱. AU10TIX

این پلتفرم مدارک هویتی بیش از ۱۹۰ کشور و اسناد پشتیبان مانند صورت‌حساب بانکی، قبض خدماتی، پرونده مالیاتی و مجوز کسب‌وکار را پوشش می‌دهد. قابلیت Serial Fraud Monitor نیز برای یافتن تکرارها و الگوهای هماهنگ میان درخواست‌های مختلف طراحی شده است. ارقام دقت تا ۹۹.۹۹ درصد، زمان پردازش ۵ تا ۲۰ ثانیه و کاهش ۹۰ درصدی بازبینی دستی، ادعاهای اعلام‌شده AU10TIX هستند و باید در آزمون مستقل مشتری سنجیده شوند.

۲. Resistant AI

Document Forensics ساختار داخلی فایل، فراداده، فونت، تصویر و شباهت میان درخواست‌ها را بررسی می‌کند. شرکت می‌گوید این سامانه بیش از ۵۰۰ بررسی روی PDF و تصویر انجام می‌دهد، به قالب ازپیش‌شناخته‌شده وابسته نیست و نتیجه توضیح‌پذیر را در کمتر از ۲۰ ثانیه ارائه می‌کند.

۳. Inscribe

عامل‌های این شرکت تحلیل پزشکی قانونی، معنایی، بصری و شبکه‌ای را برای شناسایی سند دست‌کاری‌شده، استفاده مجدد و محتوای مولد ترکیب می‌کنند. خروجی شامل سطح ریسک، توضیح قابل‌فهم و شواهد پشتیبان است و اسناد مالی، مالیاتی و ثبتی را هدف می‌گیرد.

۴. Ocrolus

محصول Detect بیشتر برای وام‌دهی طراحی شده و علاوه بر دست‌کاری فایل، ناهنجاری عددی را هم می‌سنجد؛ برای نمونه، سازگار نبودن مانده‌ها یا محاسبات مالیاتی. در برخی صورت‌حساب‌های بانکی، اثر انگشت سند برای بررسی منشأ فایل به کار می‌رود و نتیجه در قالب امتیاز اصالت ارائه می‌شود.

۵. Regula

Regula بر مدارک هویتی تمرکز دارد و پایگاه قالب آن بیش از ۱۶ هزار نوع سند را پوشش می‌دهد. SDK این شرکت داده‌های MRZ، بارکد، OCR و تراشه NFC را با یکدیگر تطبیق می‌دهد و در جریان‌های دورکار می‌تواند نمایش سند روی صفحه یا فتوکپی را بررسی کند.

۶. Microblink

BlinkID Verify مدارک بیش از ۱۹۵ کشور و قلمرو را پوشش می‌دهد و بررسی‌های بصری، سازگاری داده، زنده‌بودن سند، اعتبار و کیفیت تصویر را موازی اجرا می‌کند. طبق ادعای شرکت، پاسخ از زمان ثبت تصویر در کمتر از سه ثانیه آماده می‌شود و سازمان می‌تواند سیاست سخت‌گیرانه، استاندارد یا آسان‌گیرانه انتخاب کند.

۷. Incode

Deepsight for Documents برای تشخیص مدارک هویتی تولیدشده با هوش مصنوعی و حملات تزریق طراحی شده است. Incode می‌گوید سامانه پایه آن بیش از ۴۹۰۰ نوع سند از بیش از ۲۰۰ کشور را با بیش از ۳۵ مدل اختصاصی بررسی می‌کند. ادعای «۸.۸ برابر دقیق‌تر» درباره اسناد مولد نیز باید همراه با روش آزمون و داده مرجع ارزیابی شود.

چگونه آزمون عملی منصفانه‌ای طراحی کنیم؟

نمونه آزمون باید نماینده بازارها و کاربران واقعی باشد و تصاویر کم‌کیفیت موبایلی را هم شامل شود. در کنار اسناد سالم، نمونه‌های شناخته‌شده از هر چهار نوع تقلب باید وجود داشته باشد. مدارک هویتی و پشتیبان باید جداگانه سنجیده شوند و هر دو نرخِ تقلب ازدست‌رفته و رد اشتباه مشتری سالم ثبت شود.

سرعت به‌تنهایی معیار کافی نیست. کیفیت توضیح خروجی برای تحلیلگر و ممیز، امکان مقایسه میان درخواست‌ها، پوشش زبان‌ها و کشورها، شیوه نگهداری داده، انطباق حقوقی، قابلیت ادغام API و سهم پرونده‌هایی که هنوز به بازبینی انسانی نیاز دارند نیز مهم‌اند. اجرای یک مجموعه داده یکسان روی همه گزینه‌ها، ادعاهای بازاریابی را به شواهد متناسب با محیط واقعی سازمان تبدیل می‌کند.