שוק ההימורים המודרני מייצר בכל רגע כמות עצומה של נתונים. כל הימור, כל שינוי ביחסים, כל תנודה בשוק ואפילו דפוסים בהתנהגות המשתמשים – היום הכול מתועד. בתוך כל הרעש וההמולה הזו, קשה מאוד להתחקות אחר כל מגמה. המעקב הזה הוא קריטי, מכיוון שלעתים קרובות משהיינו רוצים להאמין, דברים פתאום פשוט לא מסתדרים. הימור בסכום אדיר פשוט נוחת משום מקום, תנודות בשוק מופיעות ללא שום הסבר או הצדקה ולפעמים ישנן פעילויות רחבות היקף שנראה שהן מתואמות מראש.
כדי להצליח לעקוב אחר סימנים חשודים כאלו, גם כשנפח הנתונים והפעילות כל כך עצים, עושות היום סוכנויות הימורים שימוש בבינה מלאכותית. לכוח החישובי של הכלי הזה יש את היכולת לזהות דפוסים שחוזרים על עצמם ולזהות חריגות כדאי לבחון מקרוב. כאן, נסביר כיצד נעשה היום שימוש ב-AI לזיהוי הימורים חריגים, איך זה עובד ומהן מגבלות הכוח.
מה נחשב בעצם ל"הימור חריג"?
על מנת שנוכל להבין ביתר דיוק איך המערכות האלו עובדות, שווה שנתעכב לרגע על ההגדרה של הימור חריג. כדי לעשות את זה חשוב שנבין נקודה קריטית – שוק ההימורים כבר מזמן לא מנוהל עם פנקסים. התדמית הזאת מהקולנוע כבר מזמן לא רלוונטית. היום, הדברים מתנהלים הרבה יותר כמו בבורסה. מערכות ממוחשבות מבוססות אלגוריתמים עוצמתיים קובעות את יחסי ההימורים על פי התנהגות המהמרים והמידע שמוזן אליה מבחוץ בזמן אמת. לכן, רק טבעי שינסו גם להפעיל מניפולציות שונות ולעוות את יחסי ההימור לפי אינטרס. הימור חריג, אם כן, הוא כל הימור שחשוד כניסיון כזה.
הפעילות החריגה לא חייבת להיות נקודתית
הדרך הפשוטה ביותר לחשוב על חריגה היא כסטייה מהנורמה. זה יכול להיות סכום גדול במיוחד, או הימור שמגיע בעיתוי יוצא דופן. בפועל, שימוש ב-AI לזיהוי הימורים חריגים מתמקד פחות במספרים קונקרטיים ויותר בהתנהגות ארוכת טווח. למשל, הימור קטן יחסית יכול להיות חשוד יותר מהימור גדול, אם הוא חלק מדפוס רחב יותר. למעשה, ברוב המקרים נראה סדרת הימורים שמפוזרת בין חשבונות שונים אך מתוזמנת באופן מדויק, ודווקא זה מה שמעורר חשד.
תפיסת החריגה כולה משתנה
הנטייה הטבעית היא להתמקד בהימורים גדולים, אך מערכות מתקדמות מבינות שהבעיה האמיתית אינה בגודל אלא בקשר בין פעולות. דפוס של הימורים בינוניים, שמתבצעים בזמנים מסוימים ובשווקים ספציפיים, עשוי להצביע על פעילות מתואמת. זהו למעשה המעבר שהבינה המלאכותית עושה מחשיבה ליניארית לחשיבה מערכתית. היא מחפשת להבין קשרים בהיקף גבוה ולא רק לחקור מה קורה עכשיו.
לא כל מניפולציה היא בהכרח חשודה
אחת הבעיות המורכבות כיום היא להבחין בין שחקן מקצועי שמזהה ערך אמיתי בשוק ולכן פועל באופן עקבי, ובין דפוסים שמעידים על פעילות חשודה. שניהם עשויים להיראות דומים מבחינת תוצאות. ההימורים מדויקים, התזמון טוב, ונוצר הרבה רווח לאורך זמן. ההבדל למעשה טמון בדפוס. כשנראה שהדפוס הזה מתבסס על מידע שלא אמור להיות זמין לציבור, או לא הגיוני בכלל, מתחילים להתנופף הדגלים האדומים.
כיצד מתבצע כיום שימוש ב-AI לזיהוי הימורים חריגים?
כולנו עדים לקפיצה האדירה שחלה בתחום הבינה המלאכותית תוך שנים בודדות. היכולות של המערכות הללו התעצמו באופן אקספוננציאלי ושברו את גבולות הדמיון בכל כך הרבה תחומים, עד שקשה להעריך כיצד ייראה העתיד של מקצועות רבים היום במשק. הכוח החישובי הזה משמש היום בצורה רחבת היקף גם בתחום ההימורים. אז איך זה עובד בפועל? אלו כמה מעקרונות היסוד.
הכלי הבסיסי ביותר – מודלים לזיהוי אנומליות
בלב המערכת עומדים מודלים של זיהוי אנומליות, שמנסים לזהות סטיות מהתנהגות רגילה. כלומר, זה לא שהמודל יודע איך נראית הונאה או מניפולציית שוק. הוא לומד את המערכת, מגדיר לעצמו מהי התנהלות תקינה וכשתהיה סטיה מהתקינות הזו, הוא יזהה אותה. זה יותר תהליך של חישוב הסתברויות מאשר חקירה בלשית במובן הזה. כל פעולה מקבלת ציון חריגות וכאן כבר ייכנס לתמונה שיקול הדעת האנושי.
ניתוח דפוסי משתמש על טווח זמן ארוך
כאמור, האלגוריתם מבסס את המסקנות שלו על רצף. פעולה אחת בודדת לא תגרום לרוב לסימון על ידי המערכת. האלגוריתם בוחן כיצד משתמש מהמר לאורך זמן, באילו שווקים הוא פועל, באילו סכומים ומתי. ברגע שיחול שינוי פתאומי בדפוס, כמו למשל מעבר להימורים בשווקים לא מוכרים או שינוי חד בגודל ההימור, אז הפעילות הזו עשויה להוות אינדיקציה לחריגה.
שילוב בין סוגי נתונים מגוונים
אחת החוזקות המרכזיות של כלי AI במאמץ הזה היא היכולת לשלב בין סוגי נתונים שונים. המערכות האלו יכולות להתחקות אחר נפח נתונים אדיר. זה מאפשר להבין איך כל הימור משתלב בתנועת השוק ומה התרחש בזירה הספורטיבית במקביל. כשהכול מוצלב בזמן אמת קל יותר לזהות מצבים שבהם הימור מסוים אינו תואם את המידע הזמין.
אילו פעולות יסמן ה-AI כחריגה שיש לחקור?
ישנן פעולות רבות ומגוונות שיכולות להיות מסומנות, אבל ברוב המכריע של המקרים יהיה מדובר בפעולות הבאות.
שינויים ביחסי ההימור ללא הסבר
זהו ללא ספק אחד הסיגנלים המרכזיים לזיהוי חריגה. כאשר היחס משתנה באופן חד ללא שינוי ברור בנתונים הספורטיביים, הדבר עשוי להצביע על כניסת כסף משמעותי או שימוש במידע שלא פורסם. מערכות AI עוקבות אחרי התנועות האלו ומנסות להבחין בין שינוי טבעי לבין שינוי חריג.
זרימת כסף לא סימטרית
שוק מאוזן יחסית מתאפיין בזרימת כסף לשני הצדדים. כאשר נוצר חוסר איזון חריף, במיוחד בזמן קצר, האלגוריתם מזהה את זה כאנומליה. לא כל חוסר איזון הוא חשוד, אבל דפוסים חוזרים של פעילות חד-צדדית עשויים להצביע על פעילות מתואמת. ישנם סינדיקטים של מהמרים שכל מהות הפעילות שלהם היא ליצור תנודות כאלו באופן מלאכותי. כיום מערכות ה-AI והארגונים האלו משחקים משחקי חתול ועכבר.
אירועים מבוססי מידע שטרם פורסם
אחת היכולות המתקדמות ביותר של מערכת כזו היא לזהות מצבים שבהם השוק מגיב למידע לפני שהוא פורסם. מחקרים ודוחות תעשייתיים מצביעים על כך שתנועות חריגות בשוק ההימורים עשויות להקדים אירועים — למשל פציעות או שינויים בהרכב ולעיתים אפילו להעיד על דליפות מידע.
שימוש ב-AI לזיהוי הימורים חריגים – כך נחשפות הונאות מתוחכמות
כשמדברים על שימוש ב-AI לזיהוי הימורים חריגים, לרוב חושבים על הפעולות בקצה הקיצוני ביותר של הסקאלה. אם עד עכשיו דיברנו על הפעולות הקטנות שמתחברות יחד לדפוס חשוד, שווה שנתעכב גם על מקרי הקיצון. מקרים כאלו כוללים בעיקר ניסיונות להטיית משחקים או הדלפות של מידע. בניגוד להימורים רגילים, שבהם שחקנים מנסים לנצל פערים בהערכה, כאן מדובר בניסיון להשפיע על התוצאה עצמה או לפעול על בסיס מידע שאינו זמין לציבור. מה שהופך את הזיהוי למורכב במיוחד הוא העובדה שהמשחק עצמו עשוי להיראות תקין לחלוטין. דווקא בדפוסי ההימורים, ייראו הסימנים המחשידים.
הסימנים רבים ומגוונים
המערכות הללו יכולות לזהות, למשל, פעילות חריגה בשווקים שוליים יחסית, תזמון מדויק של הימורים רגע לפני שינוי מידע, או ריכוז כסף סביב תוצאה ספציפית ללא הצדקה ספורטיבית ברורה. דוחות של גופי פיקוח בינלאומיים ומחקרים שנערכו בתחום מצביעים על כך שדווקא השווקים הפחות מרכזיים כמו ליגות נמוכות או הימורים נישתיים יחסית, רגישים יותר לתופעות כאלה, מעצם העובדה שנאספים עליהם פחות נתונים ולרוב גם תשומת הלב אליהם פחותה יחסית למשחקים הפופולריים בליגות הגדולות.
סינדיקטים מבצעים פעולות מתואמות
אחת ההתפתחויות המשמעותיות בשנים האחרונות היא פעילות של קבוצות מאורגנות המכונות סינדיקטים שפועלות כגוף אחד דרך מספר רב של חשבונות, פלטפורמות ושווקים. מבחוץ, הפעילות עשויה להיראות כמו אוסף הימורים בלתי קשורים, אבל מבט עמוק יותר חושף את התיאום ביניהם. מתחילים לזהות את אותם דפוסים, אותם תזמונים, ולעיתים גם אותם סכומים, מפוזרים באופן שמטרתו להימנע מזיהוי.
כאן בדיוק נכנס היתרון של שימוש ב-AI לזיהוי הימורים חריגים. האלגוריתם אינו מוגבל למשתמש בודד, אלא מסוגל לזהות קשרים בין חשבונות, בין אם דרך דפוסי פעולה, זמני הימור, או תגובות לשינויים בשוק. זהו מעבר מניתוח אינדיבידואלי לניתוח רשת, שבו המערכת מנסה להבין לא רק מי פועל, אלא איך הפעולות מתקשרות זו לזו.
שימוש בזהויות מרובות והסתרת פעילות
אחת השיטות הנפוצות להימנע מזיהוי היא שימוש בזהויות מרובות. שחקן או קבוצה מפזרים פעילות בין מספר חשבונות, לעיתים תחת שמות שונים או דרך פלטפורמות שונות, במטרה לטשטש את הדפוס הכולל. מבחינת המערכת, כל חשבון נראה נורמלי, אך התמונה הכוללת מצביעה על חריגה.
האתגר עבור מערכות AI הוא לחבר את הנקודות. לא בהכרח באמצעות זיהוי זהות ישיר, אלא דרך זיהוי דמיון התנהגותי. זהו תחום שבו הגבול בין טכנולוגיה לבין חקירה הופך דק מאוד והמערכת נדרשת לפעול ברמת רגישות גבוהה במיוחד.
מגבלות האלגוריתם – איפה השימוש ב-AI אינו מכסה את כל הצרכים?
גילוי נאות: נכון, המאמר הזה הולך גם לחשוף חולשות במערכות שמשמשות ארגונים כדי לזהות הונאה ומניפולציה. ובכל זאת, אין כאן שום ניסיון להסביר איך לעקוף את המערכת או לנצל את החולשות האלו. לא יהיו כאן שום המלצות לפעולה או פירוט שיטות שיאפשרו לבצע פעולות מתחת לרדאר. רוב המאמר עוסק דווקא בדיוק בעובדה שקשה עד בלתי אפשרי לעשות את זה, שלא נדבר על כך שניסיונות כאלו הם לא מומלצים בעליל.
באופן גורף, ניתן לומר בביטחון ששימוש ב-AI לזיהוי הימורים חריגים פועל ביעילות גבוהה מאוד. עם זאת, הוא עדיין לא מסוגל לכסות הכול וכמו בכל מערכת, יש בו כשלים. אלו כמה מהנפוצים ביותר.
זיהוי עודף של חריגות
אחת הבעיות המרכזיות בכל מערכת זיהוי חריגות היא זיהוי יתר. כאשר האלגוריתם רגיש מדי, הוא עלול לסמן פעילות לגיטימית כחשודה. זה קורה במיוחד כשמדובר בפעילות של מהמרים מקצועיים, שפועלים באופן שיטתי ועקבי ולעיתים גם מנצלים פערים בשוק. מבחינת המערכת, ההתנהגות שלהם עשויה להיראות חריגה אבל למעשה מדובר בפעילות חוקית לחלוטין.
הבעיה כאן היא לא רק טכנית, גם השיקולים העסקיים נכנסים כאן לתחשיב. זיהוי יתר כזה עלול להוביל להגבלות לא מוצדקות על משתמשים, לפגוע באמון ובאופן כללי להערים קשיים בין הסוכנות ובין הלקוחות. לכן, יש אינטרס ברור לסוכנויות למנוע את הכשל הזה כשעושים שימוש ב-AI לזיהוי הימורים חריגים. לכן, נעשים מאמצים נרחבים להגיע לאיזון נכון. מדובר במשימה מורכבת מאוד ובהרבה מובנים היא עדיין נמשכת.
מהמרים חכמים יכולים לחקות את הדפוס התקין
ככל שהמערכות משתפרות, כך גם מהמרים משכללים את הדרכים לעקוף אותן. אחד האתגרים הגדולים הוא שחקנים שמודעים לאופן שבו האלגוריתם פועל ומסגלים נראות תקינה לפעילות שלהם. הם מפזרים באופן רחב את ההימורים שלהם, מגוונים את דפוסי הפעילות ולעיתים אפילו יוצרים פעילות מכוונת שמטרתה להסוות את ההתנהגות האמיתית.
מערכות AI עדיין מתקשות לתפוס פעולות בהקשר רחב
בסופו של דבר, כל מערכת AI מוגבלת למה שהיא יודעת. אם מידע מסוים אינו זמין, כמו למשל, שיחה פרטית, מידע פנימי, או הקשר חיצוני, האלגוריתם לא יוכל לקחת אותו בחשבון. לכן גם מערכת מתקדמת עלולה לפספס חריגות אמיתיות, או לפרש לא נכון פעילות לגיטימית.
שימוש ב-AI לזיהוי הימורים חריגים דורש שיתופי פעולה רחבים
מכיוון שנפח הנתונים כל כך רחב, מפעילים רבים נוטים לשתף פעולה ולהסתייע בגורמי הרגולציה כדי להבטיח שתהיה להם תמונה כמה שיותר גדולה. פעילות חשודה אינה מוגבלת לפלטפורמה אחת, ולעיתים מתפזרת בין מספר גופים. שיתוף מידע מאפשר לזהות דפוסים רחבים יותר, כאלה שלא היו נראים בתוך מערכת אחת בלבד.
גם גופי הפיקוח מחזקים את אמינות המערכת
גופים בינלאומיים פועלים כמרכזי מידע, שמרכזים נתונים ממספר מפעילים ומנסים לזהות חריגות ברמה מערכתית. הדוחות שלהם מצביעים על כך שזיהוי מוקדם של פעילות חריגה מתבסס לעיתים קרובות על שילוב בין מספר מקורות מידע, ולא על מערכת אחת בלבד.
גם למעקב הזה יש גבולות בסופו של דבר
יכולת המעקב הגבוהה הזו בסוף מעלה שאלה אתית: עד כמה מותר לעקוב אחרי משתמשים? מערכות AI אוספות ומנתחות מידע התנהגותי ברזולוציה גבוהה מאוד ולעיתים קרובות הגבול בין הגנה על השוק לבין פגיעה בפרטיות אינו ברור. זהו תחום שעדיין נחקר.
שימוש ב-AI לזיהוי הימורים חריגים לא מציע רק פתרון טכנולוגי לבעיה נקודתית. הוא מהווה כיום ביטוי למאבק עמוק יותר שמתרחש בתוך שוק ההימורים עצמו. מצד אחד, מערכות מתקדמות מנסות לייצר שקיפות, לזהות חריגות ולשמור על יציבות. מצד שני, מהמרים, כיחידים או בקבוצות מאורגנות, מפתחים שיטות מתוחכמות יותר ויותר כדי לנצל פערים, מידע או זמן תגובה.
ככל שמעמיקים, מתברר שהאלגוריתם לא באמת יודע לזהות הונאות באופן ישיר, אלא פועל על בסיס מתמטי טהור. המערכת אינה יודעת מהי הונאה, אלא מה נראה חריג ביחס למה שהיא למדה. לכן, כל שיפור ביכולת הזיהוי תלוי גם בהבנה טובה יותר של ההתנהגות הלגיטימית. כמובן שליכולת ההבנה הזו יש מגבלות מובנות. האלגוריתם מוגבל למה שהוא יודע ורגיש לטעויות.
בסופו של דבר, נראה שגם בעתיד לא תפותח מערכת הרמטית שתצליח לקרוא באופן מושלם כל חריגה בשוק. מה שכנראה כן נראה הוא מערכת שיודעת להגיב מהר יותר ועושה שימוש בהיקף נתונים נרחב יותר. גם במצב העניינים הזה, שיקול הדעת האנושי יהיה חייב להמשיך לשחק תפקיד, וכמובן שמרדף החתול והעכבר בין האלגוריתם ובין המהמרים שמנסים לעקוף אותו יימשך.
