आपके सामने कुछ ऐसी असामान्य बातें (anomalies) हैं जिन्हें कोई व्यक्ति हफ़्ते के आखिर तक एक ऐसे जांच प्लान में बदलना चाहता है जिसे सही साबित किया जा सके। इसमें एक पेशेवर गलती यह हो सकती है कि आप AI के संकेत (flag) को ही नतीजा मान लें; क्योंकि जैसे ही आप किसी सांख्यिकीय अंतर (statistical outlier) को गड़बड़ी या धोखाधड़ी समझने लगते हैं, तो जांच का समय गलत दिशा में जाने, गवाहों से बातचीत प्रभावित होने और ऐसे दस्तावेज़ बनने का खतरा पैदा हो जाता है जो जांच में सामने आ सकते हैं और गलत तरीके से नुकसान पहुंचा सकते हैं।
इस काम की प्रक्रिया में AI की भूमिका सीमित लेकिन बहुत काम की है। यह बड़ी मात्रा में लेन-देन की जांच कर सकता है, ध्यान देने लायक पैटर्न ढूंढ सकता है और शुरुआती जांच का ब्योरा (triage narrative) तैयार कर सकता है। आपकी भूमिका वह है जिसमें पेशेवर जवाबदेही शामिल है। आप तय करते हैं कि धोखाधड़ी की योजना के संदर्भ में उस संकेत का क्या मतलब है, किन बेगुनाही वाली वजहों को खारिज करना ज़रूरी है, किस तरह के सबूतों की पुष्टि ज़रूरी है, और अगर मामला आगे बढ़ता है तो सबूतों की विश्वसनीयता कैसे बनाए रखी जाए।
किसी भी तकनीक का इस्तेमाल करने से पहले, अपने दिमाग में इसकी सीमा तय कर लें। AI का आउटपुट सिर्फ़ ‘लीड’ (संभावित जानकारी) देता है; यह धोखाधड़ी का सबूत नहीं है, न ही इरादे का सबूत है और न ही किसी व्यक्ति पर सीधे आरोप है। अगर आप इस सीमा को धुंधला होने देते हैं, तो बाद में तैयार होने वाला हर काम पेशेवर नज़रिए से कमज़ोर हो जाता है।
इस सबक को बेहतर ढंग से समझने के लिए, केस से जुड़ी सामग्री और उन कामों (work products) की समीक्षा करें जिनके लिए आप असल में जवाबदेह होंगे।
अमेरिका की मिड-मार्केट डिस्ट्रीब्यूटर कंपनी की आम आंतरिक जांच में, मुख्य आउटपुट होते हैं: एक रिस्क रजिस्टर जो जोखिमों को प्राथमिकता देता है, और एक ‘लीड मेमो’ जो रिव्यूअर को बताता है कि आगे क्या जांचना है। ये दस्तावेज़ ऐसे होने चाहिए जिनसे लगे कि इन पर पेशेवर तरीके से काम किया गया है और इनकी बारीकी से जांच हो रही है; यानी इनमें देखे गए तथ्यों, एनालिटिक फ़्लैग्स (संकेतों) और जांच से जुड़ी परिकल्पनाओं को अलग-अलग दिखाया जाना चाहिए।
एक ‘लीड मेमो’ अपनी सीमाओं के बारे में स्पष्ट रहकर विश्वसनीयता बनाता है। यह बताता है कि डेटा क्या दिखा रहा है, मॉडल ने क्या फ़्लैग किया है, और किसी धोखाधड़ी की योजना के सही होने के लिए किन बातों का सच होना ज़रूरी है। यह यह भी बताता है कि उस पैटर्न की और क्या वजहें हो सकती हैं। जो मेमो किसी सामान्य या निर्दोष स्पष्टीकरण (innocent explanation) के पहलू को छोड़ देता है, वह निर्णायक नहीं लगता। वह पक्षपाती लगता है, और पक्षपात ही वह चीज़ है जिससे आंतरिक मामले कानूनी समस्याओं में बदल जाते हैं।
आपका पहला विश्लेषणात्मक काम किसी पैटर्न को धोखाधड़ी की योजना की श्रेणी से जोड़ना होता है ताकि आगे के कदम सही क्रम में हों। ACFE के ढांचे के तहत, संपत्ति का दुरुपयोग (asset misappropriation) आमतौर पर तब दिखता है जब भुगतान या पेरोल के ज़रिए संगठन से मूल्य (पैसे या संपत्ति) बाहर जाता है। भ्रष्टाचार (corruption) अक्सर वेंडर के साथ हितों का टकराव, कीमतों में गड़बड़ी, या मंज़ूरी की प्रक्रिया को नज़रअंदाज़ करने (approval overrides) के रूप में सामने आता है। वित्तीय विवरण में धोखाधड़ी (financial statement fraud) अक्सर अवधि के अंत में किए गए ऐसे व्यवहार के रूप में दिखती है जो केवल कैश के लेन-देन को नहीं, बल्कि रिपोर्ट किए गए प्रदर्शन को बदल देती है।
यह मैपिंग इसलिए ज़रूरी है क्योंकि एक ही पैटर्न के अलग-अलग मतलब हो सकते हैं। AP (अकाउंट्स पेयेबल) में एक जैसे इनवॉइस नंबर (डुप्लिकेट) होने का मतलब कंट्रोल की विफलता, सिस्टम बदलने की प्रक्रिया की कोई तकनीकी कमी, या जानबूझकर किया गया ‘स्प्लिट-पेमेंट’ (भुगतान को टुकड़ों में बांटने) का घोटाला हो सकता है। AI डुप्लिकेट नंबरों को तेज़ी से पहचान सकता है, लेकिन वह आपको यह नहीं बता सकता कि कौन सी बात सच है; इसके लिए आपको संदर्भ (context) हासिल करना और उसका मूल्यांकन करना होगा।
‘स्कीम-टू-डेटा मैपिंग’ का इस्तेमाल करके इस बात का अभ्यास करें कि कोई पैटर्न क्या संकेत दे सकता है और क्या साबित नहीं कर सकता, इनके बीच के अंतर को कैसे समझा जाए।
जब आप ट्राइएज के लिए LLM का इस्तेमाल करते हैं, तो आप अपना फ़ैसला लेने का काम उसे नहीं सौंप रहे होते हैं। आप एक ड्राफ़्टिंग असिस्टेंट को कुछ शर्तों में बांध रहे होते हैं ताकि वह न्यूट्रल भाषा में लीड्स (leads) तैयार करे और साथ ही उनकी पुष्टि करने के साफ़ तरीके भी बताए। इसमें एक प्रोफ़ेशनल रिस्क यह है कि अगर मॉडल ‘धोखाधड़ी’ या ‘बात छिपाने’ जैसे इरादे ज़ाहिर करने वाले शब्दों का इस्तेमाल करता है, तो वही भाषा ईमेल, इंटरव्यू की रूपरेखा और वर्कपेपर्स में भी आ सकती है। इससे उस निष्पक्षता (neutrality) पर असर पड़ सकता है जिसे बनाए रखना आपके लिए ज़रूरी है।
एक उपयोगी ट्राइएज फ़्रेमवर्क आउटपुट में चार चीज़ों को शामिल करने के लिए मजबूर करता है। यह मकसद को प्राथमिकता तय करना बताता है, न कि कोई नतीजा निकालना। यह मॉडल को सिर्फ़ आपके दिए गए फ़ील्ड्स का ही ज़िक्र करने के लिए बाध्य करता है। यह हर फ़्लैग (flag) के साथ सामान्य या निर्दोष स्पष्टीकरण की मांग करता है। यह ऐसी अगली प्रक्रियाओं की मांग करता है जो लीड की पुष्टि या खंडन कर सकें, जैसे कि सोर्स डॉक्यूमेंट की जांच, मंज़ूरी की प्रक्रिया (approval workflow) की समीक्षा, या स्वतंत्र पुष्टि।
एक व्यवस्थित ट्राइएज प्रॉम्प्ट तैयार करें या उसमें बदलाव करें जो बिना किसी आरोप को शामिल किए, रैंक की गई लीड्स और पुष्टि करने के साफ़ तरीके तैयार कर सके।