কমপ্লায়েন্স, এআই এবং গবেষণার সংযোগস্থলে কর্মজীবন গড়তে গিয়ে আমি যা শিখেছি

মীর মোহতাসাম হোসেন সিজান ডিজাইন: ফয়সাল বিন ইকবাল জেপিমরগ্যান চেজ-এ একজন গ্লোবাল ফিনান্সিয়াল কমপ্লায়েন্স অ্যান্ড ক্রাইম অ্যাসোসিয়েট হিসেবে, আমি উচ্চ-ঝুঁকিপূর্ণ আর্থিক অপরাধ তদন্ত করি এবং এমন প্রতিবেদন দাখিল করি যা সরাসরি ফেডারেল আইন প্রয়োগকারী সংস্থার গোয়েন্দা তথ্যে যুক্ত হয়। এটি একটি শ্রমসাধ্য ও খুঁটিনাটি-নির্ভর কাজ, এবং বেশিরভাগ দিনই এটি পরিকল্পিতভাবেই অদৃশ্য থাকে। একটি ভালো তদন্ত শিরোনাম তৈরি করার পরিবর্তে তা প্রতিরোধ করে।

এই পেশার পাশাপাশি, আমি গত কয়েক বছর ধরে আর্থিক অপরাধ শনাক্তকরণে কৃত্রিম বুদ্ধিমত্তা (AI) এবং মেশিন লার্নিং প্রয়োগ করে পিয়ার-রিভিউড গবেষণা প্রকাশ করে আসছি। এর মাধ্যমে আমি পরীক্ষা করেছি যে, প্রচলিত নিয়ম-ভিত্তিক কমপ্লায়েন্স সিস্টেমের ক্ষমতার বাইরে এই পদ্ধতিগুলোকে কতটা এগিয়ে নিয়ে যাওয়া যায়। পেছনে ফিরে তাকালে, সেই কাজ থেকে কয়েকটি শিক্ষা বিশেষভাবে চোখে পড়ে, এবং আমি সেগুলো ভাগ করে নিতে চাই, যদি একই পথে চলতে থাকা কারও কাজে লাগে।

আপনার তদন্তমূলক কাজে AI-চালিত চিন্তাভাবনাকে পথপ্রদর্শক হতে দিন – এবং এর বিপরীতটিও সত্য। অ্যান্টি-মানি লন্ডারিং (AML) কমপ্লায়েন্স মূলত একটি প্যাটার্ন-শনাক্তকরণ সমস্যা, এবং প্রচলিত AML সিস্টেমগুলো নির্দিষ্ট নিয়মের উপর নির্মিত: যদি কোনো লেনদেন একটি পরিচিত প্যাটার্নের সাথে মিলে যায়, তবে সেটিকে চিহ্নিত করা হয়। এই ক্ষেত্রে কাজ করলেই সীমাবদ্ধতাটা স্পষ্ট হয়ে ওঠে – নিয়ম-ভিত্তিক সিস্টেমগুলো কেবল সেইসব জিনিসই ধরতে পারে, যা খোঁজার জন্য তাদের আগে থেকেই নির্দেশ দেওয়া হয়েছে। এই শূন্যতাই আমার গবেষণার একটি বড় অংশকে চালিত করেছে। আমার বিশেষভাবে গর্বের একটি গবেষণায়, ট্রানজ্যাকশন গ্রাফের মধ্যে মানি-লন্ডারিংয়ের নতুন নতুন ধরন শনাক্ত করার জন্য একটি আনসুপারভাইজড মেশিন লার্নিং এনসেম্বল তৈরি করা হয়েছিল – এমন সব প্যাটার্ন যা শুধুমাত্র পরিচিত, লেবেলযুক্ত লন্ডারিং আচরণের উপর প্রশিক্ষিত কোনো সিস্টেম কখনোই ধরতে পারত না, কারণ সেগুলো তার দেখা কোনো কিছুর সঙ্গেই মেলে না। চলমান তদন্তে আমি ঠিক যে সমস্যাটি মূল্যায়ন করি, এটি তারই কাছাকাছি; যেখানে সবচেয়ে বিপজ্জনক মামলাগুলো প্রায়শই সেগুলোই হয়, যেগুলো কোনো বিদ্যমান ছাঁচের সঙ্গে মেলে না। সেই কাজের পর আমি ক্রেডিট কার্ড জালিয়াতি শনাক্তকরণ এবং কর্পোরেট দেউলিয়াত্বের পূর্বাভাসে মেশিন লার্নিং প্রয়োগ করে সম্পর্কিত গবেষণা করি, এবং পরে একটি হাইব্রিড এনসেম্বল মডেল ব্যবহার করে ইক্যুইটি মার্কেটের পূর্বাভাস দিই। প্রতিটি ক্ষেত্রেই, আমি একটি পদ্ধতির উপর নির্ভর না করে, বাস্তব ডেটাসেটের উপর একাধিক অ্যালগরিদম—লজিস্টিক রিগ্রেশন, র‍্যান্ডম ফরেস্ট, গ্রেডিয়েন্ট বুস্টিং, এক্সজিবিউস্ট এবং লাইটজিবিএম—পরীক্ষা করেছি। সর্বোপরি, আর্থিক অপরাধ শনাক্তকরণের ক্ষেত্রে একটি ভুল মডেল কোনো অ্যাকাডেমিক ত্রুটি নয়; এটি একটি বাদ পড়া মামলা বা একটি মিথ্যা অভিযোগ। আমার পরামর্শ: আপনার AML দক্ষতা এবং AI গবেষণাকে আলাদা দক্ষতা হিসেবে বিবেচনা করবেন না। সবচেয়ে শক্তিশালী আর্থিক অপরাধ গবেষণা আসে সেইসব তদন্তকারীদের কাছ থেকে, যারা অপরাধমূলক আচরণ এবং মডেলিং উভয়ই যথেষ্ট ভালোভাবে বোঝেন এবং জানেন যে কোনটি কোথায় ব্যর্থ হচ্ছে। আমার AML সনাক্তকরণের কাজকে উদীয়মান লন্ডারিং টাইপোলজির উপর একটি পিয়ার-রিভিউড পেপারে আনুষ্ঠানিক রূপ দিতে বা কাজের সময়ের বাইরে জালিয়াতি এবং বাজার পূর্বাভাসের জন্য এনসেম্বল AI মডেল পরীক্ষা করতে কেউ আমাকে বাধ্য করেনি। আমি এটা করেছি কারণ আমি প্রমাণ করতে চেয়েছিলাম যে, চলমান তদন্তে আমি যে মেশিন লার্নিং পদ্ধতির উপর আস্থা রেখেছিলাম, তা আমার দৈনন্দিন কাজের সাথে সম্পর্কহীন গবেষকদের সূক্ষ্ম যাচাইয়েও টিকে থাকবে। আপনি যদি ভাবেন যে আপনার AI-চালিত কমপ্লায়েন্স কাজটি “প্রকাশযোগ্য” কিনা, আমার সৎ উত্তর হলো, আপনি এটি লিখে জমা না দেওয়া পর্যন্ত তা জানতে পারবেন না। আমার প্রথম দিকের কিছু জমা দেওয়া কাজ প্রত্যাখ্যাত হয়েছিল। এটা প্রক্রিয়ারই একটি অংশ, থেমে যাওয়ার কোনো লক্ষণ নয়। বাস্তবে, বিশেষ করে AML এবং আর্থিক অপরাধের ক্ষেত্রে যা আমার জন্য কাজ করেছে তা হলো: এমন একটি বাস্তব সনাক্তকরণ সমস্যা দিয়ে শুরু করুন যা আপনি আপনার চাকরি থেকে ইতিমধ্যেই বোঝেন – যেমন লন্ডারিং, জালিয়াতি বা ডিফল্ট ঝুঁকি। তারপর, এমন একটি ডেটাসেট খুঁজুন যা এটিকে বাস্তবসম্মতভাবে প্রতিফলিত করে এবং শুধুমাত্র একটি পদ্ধতির পরিবর্তে বেশ কয়েকটি মেশিন লার্নিং পদ্ধতির একটি কঠোর, তুলনামূলক পরীক্ষা চালান।

এই ক্ষেত্রের পর্যালোচকরা একটিমাত্র চমকপ্রদ অ্যাকুরেসি স্কোরের চেয়ে সৎ ও পদ্ধতিগত মডেল তুলনার প্রতি অনেক বেশি সাড়া দেন। আমার মানি লন্ডারিং প্রতিরোধ (AML) এবং জালিয়াতি-শনাক্তকরণ গবেষণার একটি সূত্র অবশেষে একটি নেটওয়ার্ক নিরাপত্তা যাচাইকরণ ডিভাইসের জন্য পেটেন্ট ফাইলিং-এ পরিণত হয়েছিল, যা সেই একই অসঙ্গতি-শনাক্তকরণ যুক্তির উপর নির্মিত, যা আমি আমার মানি লন্ডারিং টাইপোলজি গবেষণায় ইতিমধ্যেই যাচাই করেছিলাম। পেটেন্টটি এসেছিল গবেষণা প্রকাশের পর এই প্রশ্নটি করার মাধ্যমে: “এই এআই-চালিত সনাক্তকরণ যুক্তিটি কি একটি গবেষণাপত্রের বাইরেও প্রয়োগযোগ্য কোনো কিছুতে তৈরি করা যেতে পারে?” আপনি যদি জালিয়াতি, ঝুঁকি বা নিরাপত্তার ক্ষেত্রে ফলিত এআই গবেষণা করেন, তবে আপনার নিজের কাজকে এই প্রশ্নটি করুন। প্রতিটি গবেষণাপত্রকে পেটেন্ট হতে হবে এমন নয়, তবে সবচেয়ে শক্তিশালী সনাক্তকরণ পদ্ধতিগুলো সাধারণত পেটেন্ট হতে পারে।

তথ্যসূত্র: তথ্য ও যোগাযোগ প্রযুক্তি বিভাগ