آپ کے سامنے بے قاعدگیوں (anomalies) کا ایک ایسا مجموعہ ہے جسے کوئی شخص ہفتے کے اختتام تک ایک ایسے تفتیشی منصوبے میں تبدیل کروانا چاہتا ہے جس کا قانونی یا پیشہ ورانہ طور پر دفاع کیا جا سکے۔ یہاں پیشہ ورانہ غلطی کا امکان اس وقت پیدا ہوتا ہے جب آپ AI کی نشاندہی (flag) کو حتمی نتیجہ سمجھ بیٹھتے ہیں؛ کیونکہ جیسے ہی آپ کسی شماریاتی انحراف (statistical outlier) کو بدعنوانی یا جرم سمجھ لیتے ہیں، تو تفتیشی وقت کے ضیاع، گواہوں کے بیانات کے متاثر ہونے، اور ایسی دستاویزات کی تیاری کا خطرہ پیدا ہو جاتا ہے جو قانونی کارروائی میں سامنے آ سکتی ہیں اور غیر منصفانہ طور پر نقصان دہ ثابت ہو سکتی ہیں۔
اس عمل (workflow) میں AI کا کردار محدود مگر انتہائی اہم ہے۔ یہ بڑی تعداد میں لین دین (transactions) کا جائزہ لے کر توجہ طلب نمونے (patterns) سامنے لا سکتا ہے اور ابتدائی جانچ پڑتال (triage) کی رپورٹ کا مسودہ تیار کر سکتا ہے۔ آپ کا کام وہ ہے جس کے لیے پیشہ ورانہ جوابدہی (accountability) لازم ہے۔ آپ ہی یہ طے کرتے ہیں کہ فراڈ کے منصوبے کے تناظر میں اس نشاندہی کا کیا مطلب ہے، کن بے گناہ توجیہات (innocent explanations) کو مسترد کرنا ضروری ہے، کس قسم کی تصدیق درکار ہے، اور اگر معاملہ سنگین ہو جائے تو شواہد کی ساکھ اور درستگی کو کیسے برقرار رکھا جائے۔
کسی بھی تکنیک کو استعمال کرنے سے پہلے، اپنے ذہن میں اس کی حدود واضح کر لیں۔ AI کی فراہم کردہ معلومات محض سراغ (lead) ہوتی ہیں؛ یہ نہ تو فراڈ کا حتمی ثبوت ہیں، نہ ہی نیت (intent) کا ثبوت، اور نہ ہی کسی فرد پر براہِ راست الزام۔ اگر آپ ان حدود کو دھندلا ہونے دیں گے، تو اس کے بعد تیار کی جانے والی ہر چیز (deliverable) پیشہ ورانہ اعتبار سے کمزور اور غیر مستحکم ہو جائے گی۔
اس سبق کے بقیہ حصے کو عملی تناظر میں سمجھنے کے لیے، کیس سے متعلق مواد اور ان متوقع نتائج (work products) کا جائزہ لیں جن کی فراہمی کے لیے آپ کو درحقیقت جوابدہ ہونا پڑے گا۔
امریکہ میں درمیانے درجے کی مارکیٹ (mid-market) میں کام کرنے والے کسی ڈسٹری بیوٹر کی داخلی تحقیقات کے دوران، تیار کی جانے والی اہم دستاویزات میں ایک ‘رسک رجسٹر’ (خطرات کا اندراج) شامل ہوتا ہے جو ممکنہ خطرات کو ترجیح دیتا ہے، اور ایک ‘لیڈ میمو’ ہوتا ہے جو جائزہ لینے والے کو بتاتا ہے کہ آگے کن چیزوں کی جانچ پڑتال کرنی ہے۔ ان دستاویزات کا انداز ایسا پیشہ ورانہ ہونا چاہیے جو باریک بینی سے کی گئی جانچ پڑتال کا عکاس ہو؛ اس کا مطلب ہے کہ ان میں مشاہدہ شدہ حقائق، تجزیاتی اشارے (flags)، اور تفتیشی مفروضوں کے درمیان واضح فرق کیا گیا ہو۔
ایک ‘لیڈ میمو’ اپنی حدود کے بارے میں واضح رہ کر ہی قابلِ اعتماد بنتا ہے۔ یہ بیان کرتا ہے کہ ڈیٹا کیا ظاہر کر رہا ہے، ماڈل نے کن چیزوں کی نشاندہی کی ہے، اور کسی فراڈ اسکیم کے قرینِ قیاس ہونے کے لیے کن حقائق کا درست ہونا ضروری ہے۔ یہ اس بات کی بھی وضاحت کرتا ہے کہ اس پیٹرن (طرزِ عمل) کی کوئی اور توجیہہ کیا ہو سکتی ہے۔ ایسا میمو جو کسی بے ضرر یا جائز وضاحت کے امکان کو نظر انداز کر دے، وہ فیصلہ کن نہیں لگتا۔ اس سے جانبداری کا تاثر ملتا ہے، اور یہی جانبداری داخلی معاملات کو قانونی مسائل میں بدل دیتی ہے۔
آپ کا پہلا تجزیاتی کام کسی پیٹرن کا تعلق فراڈ کی کسی مخصوص قسم (اسکیم) سے جوڑنا ہے تاکہ اگلے اقدامات مربوط اور منطقی ہوں۔ ACFE کے فریم ورک کے تحت، اثاثوں کا غلط استعمال (asset misappropriation) عام طور پر ادائیگیوں یا پے رول کے ذریعے تنظیم سے مالیت یا رقم کے اخراج کی صورت میں ظاہر ہوتا ہے۔ بدعنوانی (corruption) اکثر وینڈرز کے ساتھ مفادات کے ٹکراؤ، قیمتوں میں بے قاعدگیوں، یا منظوری کے عمل کو نظر انداز کرنے (approval overrides) جیسے واقعات میں نظر آتی ہے۔ مالیاتی گوشواروں میں فراڈ (financial statement fraud) اکثر مالیاتی مدت کے اختتام پر ایسے رویوں کی صورت میں سامنے آتا ہے جو صرف نقد رقم کی نقل و حرکت کے بجائے رپورٹ کی جانے والی کارکردگی کو تبدیل کر دیتے ہیں۔
یہ تعلق قائم کرنا اس لیے اہم ہے کیونکہ ایک ہی پیٹرن کے مختلف مطلب ہو سکتے ہیں۔ اکاؤنٹس پے ایبل (AP) میں انوائس نمبرز کا دو بار آنا (ڈپلیکیٹ ہونا) کسی کنٹرول کی ناکامی، سسٹم کی تبدیلی کے عمل کا نتیجہ، یا ادائیگی کو جان بوجھ کر حصوں میں تقسیم کرنے (split-payment) کی اسکیم ہو سکتا ہے۔ مصنوعی ذہانت (AI) تو ڈپلیکیٹ نمبرز کی نشاندہی تیزی سے کر سکتی ہے، لیکن وہ آپ کو یہ نہیں بتا سکتی کہ اصل معاملہ کیا ہے؛ اس کے لیے سیاق و سباق (context) کا حصول اور اس کا جائزہ لینا آپ کی ذمہ داری ہے۔
اسکیم اور ڈیٹا کے درمیان تعلق قائم کرنے کے عمل کو اس مشق کے لیے استعمال کریں کہ کسی پیٹرن سے کیا اشارہ مل سکتا ہے اور وہ کن چیزوں کو حتمی طور پر ثابت نہیں کر سکتا۔
جب آپ درجہ بندی (triage) کے عمل کے لیے LLM (بڑے لسانی ماڈل) کا استعمال کرتے ہیں، تو آپ فیصلہ سازی کا اختیار منتقل نہیں کر رہے ہوتے۔ آپ دراصل ایک ‘مسودہ ساز معاون’ (drafting assistant) کو مخصوص حدود کا پابند بنا رہے ہوتے ہیں تاکہ وہ غیر جانبدارانہ زبان میں ممکنہ مشکوک معاملات (leads) کی نشاندہی کرے اور ان کی تصدیق کے واضح مراحل بھی بیان کرے۔ اس میں پیشہ ورانہ خطرہ یہ ہے کہ اگر ماڈل کو ‘دھوکہ دہی’ یا ‘حقائق چھپانے’ جیسے مخصوص ارادے یا الزام کی عکاسی کرنے والے الفاظ استعمال کرنے دیے جائیں، تو یہ زبان ای میلز، انٹرویو کے خاکوں اور کام کے کاغذات (workpapers) میں شامل ہو سکتی ہے اور اس غیر جانبداری کو متاثر کر سکتی ہے جسے برقرار رکھنا آپ کے لیے ضروری ہے۔
درجہ بندی کا ایک مفید طریقہ کار (triage frame) نتائج میں چار چیزوں کو لازمی بناتا ہے۔ یہ مقصد کی تعریف ‘نتیجہ اخذ کرنے’ کے بجائے ‘ترجیح کا تعین کرنے’ کے طور پر کرتا ہے۔ یہ ماڈل کو صرف ان ڈیٹا فیلڈز کا حوالہ دینے کا پابند بناتا ہے جو آپ نے فراہم کیے ہیں۔ یہ ہر نشاندہی (flag) کے ساتھ ممکنہ بے گناہ یا جائز وضاحتوں کا تقاضا کرتا ہے۔ یہ ایسے اگلے اقدامات کا مطالبہ کرتا ہے جو اس مشکوک معاملے کی تصدیق یا تردید کر سکیں، جیسے کہ بنیادی دستاویزات کا معائنہ، منظوری کے عمل (workflow) کا جائزہ، یا آزادانہ تصدیق۔
درجہ بندی کے لیے ایک ایسا منظم ‘پرامپٹ’ (ہدایتی عبارت) تیار کریں یا اسے ڈھالیں جو الزامات کو شامل کیے بغیر، ترجیحی بنیادوں پر مشکوک معاملات کی نشاندہی کرے اور تصدیق کے واضح مراحل فراہم کرے۔