نظام متكامل لكشف الاحتيال المالي باستخدام الذكاء الاصطناعي

الوصف

قمت بتطوير حل تقني متكامل (End-to-End Solution) يتجاوز مجرد كونه نموذجاً رياضياً، ليصل إلى نظام برمجي قادر على التعامل مع البيانات البنكية الحقيقية والحساسة. يهدف النظام إلى تحليل المعاملات المالية في كشوف الحسابات واكتشاف أنماط الاحتيال والسرقة بدقة متناهية.

المميزات التقنية والابتكارات في المشروع:

معالجة البيانات الضخمة وغير المتوازنة: استخدمت تقنية SMOTE لمعالجة الخلل في بيانات الاحتيال، مما ضمن قدرة الموديل على رصد العمليات المشبوهة النادرة جداً بدقة عالية.

خوارزميات تصويت ذكية (Voting Classifier): قمت بدمج قوة ثلاثة نماذج (Random Forest, Decision Tree, Logistic Regression) في نموذج واحد لضمان استقرار النتائج وتقليل الإنذارات الكاذبة (False Positives).

دعم ملفات PDF المشفرة: يتميز النظام بقدرته على فتح وقراءة كشوف الحسابات البنكية المحمية بكلمات مرور باستخدام مكتبة PyMuPDF، مما يضمن أمان وخصوصية البيانات.

واجهة مستخدم تفاعلية (Gradio Interface): صممت واجهة سهلة الاستخدام تتيح للمستخدم رفع الملف، إدخال كلمة السر، والحصول على نتيجة التحليل فوراً دون الحاجة لأي خبرة برمجية.

هندسة الميزات (Feature Engineering): قمت بعمل Scaling دقيق للمبالغ المالية وتحليل الروابط بين الميزات الـ 28 المستخرجة لرفع كفاءة التنبؤ.

الأدوات والتقنيات المستخدمة:

لغة البرمجة: Python.

المكتبات الأساسية: Pandas, NumPy, Scikit-learn, Imbalanced-learn.

واجهة العرض: Gradio.

معالجة الملفات: PyMuPDF (Fitz).

النتائج المحققة:

حقق النموذج دقة (Accuracy) تتخطى 99.9%، مع توازن ممتاز في الـ F1-Score، مما يجعله أداة موثوقة يمكن الاعتماد عليها في التدقيق المالي الأولي.