دور الذكاء الاصطناعي في مكافحة جرائم تبييض الاموال

المجلة الجزائرية للحقوق والعلوم السياسية امل ـــــ ج لد 11 ، العدد 01 ( 2026 ) ـــــ ص 093 - 013 دور الذكاء الاصطناعي في مكافحة جرائم تبييض ألاموال The Role of Artificial Intelligence in Combating Money Laundering Crimes صيدي عبد الرحمان 1 * 1 جامعة الجزائر 1 ، كلية الحقوق ، الجزائر ، alger.dz - a.sidi@univ (https://orcid.org/) 7921-8176-0006-0002 تاريخ إلارسال: 15 / 03 / 2026 تاريخ القبول: 23 / 05 / 2026 تاريخ النشر: 31 / 06 / 2026 *********** ملخص: يهدف هذا البحث إلى دراسة دور الذكاء الاصطناعي في مكافحة جرائم تبييض ألاموال ، وتحليل فع اليته في ألانظمة المالية المعاصرة ، العمالت المشفرة مع تزايد تعقيد المعامالت المالية وانتشار بحيث أص بحت ألاساليب التقليدية للكشف عن هذه الجرائم غير كافية. أظهرت الدراسة أن توظيف تقنيات الذكاء الاصطناعي، مثل التعلم آلالي، التعلم العميق، وأنظمة التعرف على ألانماط، يعزز قدرة المؤسسات المالية على رصد المعامالت المشبوهة والتنبؤ بالمخاطر بدقة وسرعة ا على، كما يقلل الا نذارات الكاذبة ويُحسن الامتث ال المالي ، ومع ذلك تواجه هذه التقنيات تحديات مرتبطة بالخصوصية، التحيز الخوارزمي وغياب الشفافية، ما يستدعي تطوير ا قانونية وتنظيمية واضحة ودمج الخبرة البشرية مع التحليل آلالي طر . الكلمات المفتاحية: الذكاء الاصطناعي ، تبييض ألاموال، العمالت المشفرة ، الامتثال المالي ، الرقابة الذكية. Abstract: This study aims to examine the role of artificial intelligence in Combating money laundering and evaluating its effectiveness in modern financial systems. With the increasing complexity of financial transactions and the spread of cryptocurrencies, traditional detection methods have become insufficient. The study found that AI technologies, including machine learning, deep learning, and pattern recognition systems, enhance the ability of financial institutions to monitor suspicious transactions, predict risks accurately, reduce false alerts, and improve compliance. However, these technologies face challenges related to privacy, algorithmic bias, and lack of transparency, requiring clear regulatory frameworks and integration of human expertise with automated analysis. Key words: Artificial Intelligence, Money laundering Cryptocurrencies, Financial oversight, International cooperation ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ ـــــــــــــــــــــــــــــــــــــــــ *المؤلف المرسل

-- 1 of 21 --

صيدي عبد الرحمان ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ ــــــــــــــــــــــــــــــ مقدمة: تُعد جريمة تبييض ألاموال من أخطر الجرائم الاقتصادية ذات الطابع العابر للحدود ملا تنطوي عليه ألانظمة المالية والاقتصادية على المستويين الوطني والدولي الستقرار من تهديد مباشر ، فهي جريمة م ركبة تهدف إلى إضفاء مظهر المشروعية على عائدات متحصلة من ا نشطة غير مشروعة، بما يسمح بإدماجها في الدورة الاقتصادية وإخفاء مصدرها الا جرامي، ألامر الذي يؤدي إلى تقويض نزاهة الا سواق المالية وزعزعة الثقة في النظام المالي سلبا ً في تدفق الاستثمارات واستقرار المؤسسات المصرفية والتأثير . ومع التطور المتسارع للتقنيات الرقمية واتساع نطاق المعامالت المالية الدولية، أصبحت الجرائم المالية تعقيدا ً وتشابكاً، حيث باتت الشبكات الا أكثر جرامية تستغل أدوات التكنولوجيا الحديثة، مثل العمالت الرقمية والمنصات المالية الا لكترونية المشروعة العمليات غير إلخفاء آثار ، وقد أدى ذلك إلى ظهور تحديات جديدة أ م ام السلطات الرقابية والهيئات المالية والقضائية، اين أصبحت مطالبة بتطوير أدوات أكثر كفاءة ملواجهة هذه ألانماط المستحدثة من الجريمة . في هذا السياق برزت تقنيات الذكاء الاصطناعي باعتبارها من أهم ألادوات التكنولوجية القادرة على دعم أنظمة مكافحة تبييض ألاموال، ملا توفره من ا مكانيات متقدمة في تحليل البيانات الضخمة واكتشاف الا نماط غير الاعتيادية في المعامالت المالية ، كما تسمح هذه التقنيات بتطوير أنظمة رقابية قادرة على رصد العمليات المشبوهة والتنبؤ بالمخاطر المحتملة في وقت مبكر، ألامر الذي يعزز فعالية آليات الرقابة المالية المبكر وإلانذار . وقد أولى المجتمع الدولي اهتماما ً متزايدا ً بتوظيف التكنولوجيا الحديثة في مكافحة ا لجرائم امل الية، حيث أكدت مجموعة العمل المالي Financial Action Task Force التكنولوجي على أهمية الاستفادة من الابتكار استخدام التقنيات الرقمية المتقدمة في مجال مكافحة وتعزيز تبييض ألاموال وتمويل إلارهاب، باعتبارها أدو ات شفافية المعامالت المالية فعالة لتعزيز وحماية النظام المالي العالمي . وتكتسب هذه المسألة أهمية خاصة في السياق الجزائري، في ظل التحديات المرتبطة بتطوير أدوات الرقابة المالية وتعزيز الامتثال للمعايير الدولية، خاصة بعد إدراج الجزائر ضمن القائمة الرمادية للدول الخاضعة للمتابعة المعززة، وهو ما يعكس الحاجة إلى تحديث آلاليات القانونية والمؤسساتية ملكافحة تبييض البنية التكنولوجية الداعمة للرقابة المالية ألاموال وتطوير . وانطالقا ً من ذلك، يسعى هذا البحث إلى تحليل دور الذكاء الاصطناعي في الكشف عن جرائم تبييض ألاموال ومكافحتها من خالل مقاربة قانونية تحليلية تستند إلى توصيات Financial Action Task Force ذات الصلة، مع الاستفادة من بعض التجارب الدولية في توظيف هذه التقنيات ضمن أنظمة مكافحة الجريمة المالية .

-- 2 of 21 --

دور الذكاء الاصطناعي في مكافحة جرائم تبييض ألاموال ــــــــــــــــــــــــــــــــــــــــــــــــ ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ ــــــــــــــــــــــــــــــــــــــــــــ وتكمن أهمية هذه الدراسة في إبراز إلامكانات التي توفرها تقنيات الذكاء الاصطناعي لتعزيز فعالية آليات الكشف عن الجرائم المالية، فضال ً عن تحليل التحديات القانونية والتقنية المرتبطة باستخدام هذه الخوارزمي، ومسؤولية القرارات آلالية التقنيات، السيما ما يتعلق بحماية البيانات الشخصية، والتحيز . ويطرح الموضوع اشكالية: مدى فعالية تطبيقات الذكاء الاصطناعي في مكافحة جرائم تب ييض ألامو ال في الا نظمة المالية المعاصرة؟ وملعالجة هذه الا شكالية يعتمد البحث على المنهج الوصفي التحليلي والمقارن، من خالل عرض وتحليل أهم تطبيقات الذكاء الاصطناعي في مجال الكشف عن جرائم تبييض ألاموال وفقا ً للمعايير الدولية، و إمكانية الاستفادة منها في التجربة الجزائري ة في مكافحة هذه الجريمة . وسيتم تناول موضوع الدراسة وفق مبحثين : نتناول في المبحث ألا ول الذكاء الاصطناعي ودوره في الك شف عن جرائم تبييض ألاموال، بينما نخصص المبحث الثاني لدراسة فعالية هذه التقنيات والتحديات القانوني ة المرتبطة باستخدامها . المبحث ألاول الذكاء الاصطناعي في مواجهة تبييض الاموال أدى التطور التكنولوجي والتحول الرقمي في القطاع المالي ا لى ظهور أنماط جديدة من المعامالت المالية، المشروعة وإدماجها في تعقيدا ً في إخفاء العائدات غير أساليب أكثر وهو ما استغلته الشبكات إلاجرامية لتطوير الاقتصاد المشروع. وأمام محدودية الوسائل التقليدية في الكشف عن هذه الجرائم، برزت تقنيات الذكاء الاصطناعي كأداة ح ديثة يمكن توظيفها في تحليل المعامالت المالية واكتشاف العمليات المشبوهة . وفي هذا أكدت الهيئات الدولية المعنية بمكافحة غسل ألاموال، وعلى رأسها Financial Action Task Force ، على أهمية الاستفادة من الابتكار أنظمة مكافحة تبييض الا التكنولوجي في تعزيز موا ل ، وانطال ًقا من ذلك سيتم في هذا المبحث التطرق إلى مفهوم الذكاء الاصطناعي وتطبيقاته في القطاع المالي . المطلب الا ول: الذكاء الاصطناعي وتطبيقاته في المجال المالي أصبح الذكاء الاصطناعي من أهم التقنيات التي يعتمد عليها القطاع المالي في تحليل البيانات وإدارة المخاطر أنظمة الرقابة الداخلية وتعزيز ، إذ تسمح هذه التقنيات للمؤسسات المالية بمعالجة كميات كبيرة من المعلومات المالية والكشف عن المعامالت غير العادية التي قد تشير إلى وجود أنشطة غير مشروعة ، ولتو ضيح ذلك سيتم في البداية التطرق إلى مفهوم ا لذكاء الاصطناعي ثم تطبيقاته في المجال المالي.

-- 3 of 21 --

صيدي عبد الرحمان ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ ــــــــــــــــــــــــــــــ الفرع الاول: مفهوم الذكاء الاصطناعي يُعرّف الذكاء الاصطناعي بأنّه علم وهندسة صناعة آلاالت الذكية، وخاصة البرامج الحاسوبية الذكية، وهو مجموعة من ألانظمة والخوارزميات القادرة على محاكاة بعض وظائف الذكاء البشري كالتعلم، والاستنتاج، وحل امل شكالت، واتخاذ القرار. 1 وعرفه مؤسس مصطلح الذكاء الاصطناعي John McCarthy خالل مؤتمر دارتموث سنة 1591 بأنه "علم وهندسة صناعة ألاالت الذكية" 2 كما عرفه الاتحاد الاوروبي بأنه " الانظمة التي تظهر سلوكا ذكيا من خالل تحليل بيئتها واتخاذ قرارات بدرجة من الاستقاللية لتحقيق اهداف معينة. 3 وتم تعريفه من طرف منظمة التعاون الاقتصادي والتنمية OECD بأنه نظام قائم على آلالة يمكنه وفقا ملجموعة من ألاهداف التي يحددها إلانسان أن يقدم تنبؤات أو توصيات أو قرارات تؤثر في بيئات واقعية أو افتراضية. 4 وقد مر ّ الذكاء الاصطناعي في تطوره بمراحل متعددة ، بدأت باألنظمة الخبيرة (Expert Systems) في سبعينيات القرن الماض ي، وهي برامج تعتمد على قواعد معرفية صلبة إليجاد الحلول، ثم تطوّر الحقًا إلى مرح لة التعلم آلالي (Machine Learning) التي تتيح للنظام تحسين أدائه تلقائيًا بناء ً على البيانات، ثم ًوصوال إلى مرحلة التعلم العميق (Deep Learning) التي تعتمد على الشبكات العصبية الاصطناعية ملعالجة كميات هائلة من البيانات وتحليل أنماطها بدقة عالية . 5 هذا التطور جعل الذكاء الاصطناعي أداة فعالة في المجاالت التي تتطلب التعامل مع البيانات الضخمة (Big Data) والتنبؤ باألنماط المعقدة، وهو ما جعله يحظى باهتمام متزايد في قطاع المال وألاعمال، خصوصًا سرعة ومرونة في الكشف عن الجرائم المالي مع ازدياد الحاجة إلى آليات أكثر ة 6. الفرع الثاني: تطبيقات الذكاء الاصطناعي في القطاع المالي أصبح الذكاء الاصطناعي يشكل أحد الركائز ألاساسية للتحول الرقمي في القطاع المالي، حيث تعتمد المؤسسات البنكية والهيئات الرقابية بشكل متزايد على هذه التقنيات لتحسين كفاءة الخدمات المالية وتعزيز أنظمة إدارة المخاطر ، وق د ساهم تطور ما يُعرف بالتكنولوجيا المالية (FinTech) والتكنولوجيا الرقابية 1 Russell, S., & Norvig, P., Artificial Intelligence: A Modern Approach, 4th ed., Pearson, 2021, p. 1. 2 John McCarthy et al., A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, 1955. 3 European Commission, Ethics Guidelines for Trustworthy AI, Brussels, 2019. 4 OECD, Recommendation of the Council on Artificial Intelligence, OECD/LEGAL/0449, 2019 5 Russell, S., & Norvig, P., Artificial Intelligence . op cit p 45 6 Zhang, Y., & Zhou, X., "Artificial intelligence in financial crime detection: Applications and challenges", Journal of Financial Crime, Vol. 27, No. 4, 2020, p. 1125.

-- 4 of 21 --

دور الذكاء الاصطناعي في مكافحة جرائم تبييض ألاموال ــــــــــــــــــــــــــــــــــــــــــــــــ ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ ــــــــــــــــــــــــــــــــــــــــــــ (RegTech) في توسيع نطاق استخدام أدوات الذكاء الاصطناعي بما يسمح بتحليل البيانات المالية الضخمة داخل المؤسسات المالية ودعم عمليات اتخاذ القرار . 1 وتتعدد تطبيقات الذكاء الاصطناعي في ال قطاع المالي، ومن أبرزها : الائتمانية تقييم المخاطر : حيث تسمح خوارزميات الذكاء الاصطناعي بتحليل السلوك المالي للعمالء واستخراج مؤشرات دقيقة حول قدرتهم على الوفاء بالتزاماتهم المالية، بما يتجاوز ألاساليب التقليدية المعتمدة على المؤشرات الا ح صائية البسيطة . الكشف عن الاحتيال المالي : إذ تعتمد المؤسسات المالية على ألانظمة الذكية لتحليل ماليين المعامالت المالية إلى وجود عمليات احتيال أو معامالت مشبوهة الاعتيادية التي قد تشير في وقت قصير، ورصد ألانماط غير . مكافحة غسل ألاموال وتمويل إلارهاب دعم الامتثال ملعايير (AML/CFT): حيث تسمح الخوارزميات المتقدمة بتحليل سلوك المعامالت المالية وربطه بمتطلبات قواعد "اعرف عميلك " (KYC) ، مما يساعد على الكشف عن العمليات التي يحتمل ارتباطها بجرائم تبييض ألاموال المبكر . 2 و الرقابة الما تبرز تطبيقات الذكاء الاصطناعي كأداة فعالة لتعزيز لية وتحسين قدرة المؤسسات الب نكية الاعتيادية. ومع ذلك، يظل فهم دوره مرتبطًا بطبيعة الجرائم المالية على تحليل المعامالت واكتشاف ألانماط غير المشروع، ما ألاموال غير المستهدفة، وعلى رأسها تبييض ألاموال، الذي يستخدم أساليب متعددة إلخفاء مصدر يستدعي التعرف على أ برز هذه ألاساليب القديمة منها والحديثة. المطلب الثاني: تطور اساليب تبييض ألاموال أدى التطور التكنولوجي والتحول الرقمي إلى تطور في أساليب تبييض ألاموال، فإلى جانب ألاساليب التقليدية المرتبطة باألنشطة المالية الكالسيكي ة هناك وسائل مستحدثة استفادت من الابتكارات التقنية، شيوعا ثم الاساليب الحديثة. لذلك نتناول في هذا المطلب الاساليب التقليدية ألاكثر أوال: الاساليب التقليدية لتبييض ألاموال ثالث مراحل عبر تتنوع طرق تبييض الاموال وتتعدد اشكالها وهي في تطور مستمر، إال أنها تمر م تتابعة تتفق عليها مختلف الدراسات الجنائية 3 المشروع وهي إلايداع، وتعني ادخال الاموال غير ة في النظام المالي، ثم التمويه، وهو قطع الصلة بين المال ومصدره ألاصلي، ثم الادماج، وهو إعادة ضخ ألاموال في الاقتصاد بشكل قانوني، هذه هي المراحل التي تتحول بها العائدا ت غير المشروعة إلى أموال ذات مظهر مشروع، وتتمثل هذه الاساليب في: 1 European Banking Authority (EBA), Report on Big Data and Advanced Analytics, 2021, p. 10. 2 FATF & OECD, Opportunities and Challenges of New Technologies for AML/CFT, Paris, 2021, p. 13. 3 United Nations Office on Drugs and Crime (UNODC), Money Laundering: https://www.unodc.org/romena/en/money-laundering.html

-- 5 of 21 --

صيدي عبد الرحمان ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ ــــــــــــــــــــــــــــــ 1 - الحدود تهريب الاموال عبر الحدود من أقدم وسائل تبييض الاموال، حيث يقوم المجرمون بنقل السيولة تهريب الاموال عبر يعتبر نقدا من بلد آلخر لتفادي الرقابة البنكية، ويتم ذلك عبر الحدود البرية والجوية، أو عبر شركات النقل السريع التي تقوم بنقل مبالغ صغيرة. وقد كشفت السلطات الامريكية في سنة 8102 عن قضية "Black Market Peso Exchange" المرتبطة بكارتل المخدرات الكولومبية، حيث تم تهريب ماليين الدوالرات نقدًا إلى المكسيك ثم إدخالها مجددًا التجارة المشروعة عبر . 1 2 - التقطيع المالي (Structuring/Smurfing) يقوم المجرمون في هذه الطريقة بتقسيم المبالغ الكبيرة إلى ايداعات صغيرة لتفادي انظمة المراقبة البنكية، ويستعمل هذا ألاسلوب في البنوك التقليدية التي تفرض سقفا معينا للتبليغ عن العمليات النقدية الكبيرة. ففي تقرير وزارة الخزانة الامريكية أن احدى الشبكات الاجرامية في سنة 6111 نجحت في تبييض ما يفوق 61 مليو ايداعات مجزأة تقل عن عبر ن دوالر 11.111 دج في كل عملية. 2 0 - التجارة الوهمية (Trade-Based Money Laundering يعتمد هذا ألاسلوب على التالعب بالفواتير خاصة في التجارة الدولية، 3 إما بتضخيم قيمتها - Over Invoicing) ) مشروع لنقل أموال إضافية غير ، أو تقليلها (Under-invoicing) ، وتخفيض القيمة المصرح بها لتهريب الا موال إلى الخارج ، أو تدويرها بين شركات واجهة. وقد وصفت مجموعة العمل المالي (FATF) تعقيدًا وألاصعب في الكشف" هذا النوع بأنه "ألاكثر ، ومن أبرز ألامثلة ، ق ضية " "Danske Bank حيث استُخدمت شركات في إستونيا لتدوير الا موال عبر صفقات تجارية وهمية مما سمح بغسل ما يقارب 811 يور مليار 4 . 1 U.S. Department of Justice, The Black Market Peso Exchange Case, Washington, 2018, p. 11. 2 FinCEN, Advisory on Structuring and Smurfing in the U.S. Banking System, Washington, 2016, p. 9. 3 تمثل الاخطارات بالشبهة عن الجرائم المتعلقة بالتجارة الخارجية نسبة 88 ٪ مشكلة اعلى نسبة، تقرير التق ييم المتبادل للجمهورية الجزائرية الديموقراطية الشعبية المنجز من طرف مجموعة العمل المالي ملنطقة الشرق ألاوسط وشمال افريقيا، ماي 6162 ، ص 32 ، منشور على موقع خلية الاستعالم المالي، ctrf.mf.gov.dz 4 Anne-Françoise Hivert, « Les liaisons dangereuses des banques scandinaves », Le Monde, 9 mars 2019, consulté le 10 mars 2025)

-- 6 of 21 --

دور الذكاء الاصطناعي في مكافحة جرائم تبييض ألاموال ــــــــــــــــــــــــــــــــــــــــــــــــ ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ ــــــــــــــــــــــــــــــــــــــــــــ 0 - شراء الاصول الثمينة يلجأ المجرمون إلى حويل ألاموال الناتجة عن الجرائم إلى أصول عالية القيمة مثل العقارات، الذهب، ألالماس، أو الاعمال الفنية، ألن هذه ألاصول يمكن شراؤها نقدا أو عبر وسطاء ثم إعادة بيعها لتبرير مصدر الاموال. وقد أشارت مجموعة العمل المالي FATF في تقريرها لسنة 8181 إلى أن ّ تجارة الذهب وألاحجار الكريمة والسيارات الفخمة أصبحت من أكثر القطاعات استغالال ً في عمليات التبييض عبر التجارة، خصوصًا في الشرق الا و سط و ا فريقيا . 1 يتضح أن الا س اليب التقليدية لتبييض الا موال رغم بساطتها مقارنة باألساليب الحديثة، ما تز ال تمثل خطرًا قائمًا، إذ تعتمد على ثغرات الرقابة البنكية والتجارية. كما أن خطورتها تكمن في قدرتها على الاندماج السلس داخل الاقتصاد المشروع، مما يجعل كشفها تحديًا حقيقيًا للسلطات . ثا نيا: الاساليب الحديثة لتبييض ألاموال تعقيدًا، تستفيد مع التطورات الاقتصادية والتكنولوجية، ظهرت أساليب حديثة لتبييض ألاموال أكثر من العوملة، التجارة الرقمية، الخدمات المصرفية الا صعوبة لكترونية، والعمالت المشفرة، ما يجعل كشفها أكثر ويستدعي استخدام أدوات تحلي ل متقدمة ملواجهتها أهمها: نذكر 1 - العمالت الرقمية وألاصول الافتراضية تعد العمالت المشفرة 2 من أبرز ألادوات الحديثة لتبييض الاموال نظرًا لخاصية إخفاء الهوية Anonymity وسرعة التحويل ، وتستخدم منصات التداول وخدمات الخلط (Mixers/Tumblers في طمس أثر العمليات ، و أدى انتشار البيتكوين Bitcoin BTC والا يثيريوم Ethereum (ETH) و Tether (USDT)) و غيرها من العمالت المشفرة إلى خلق بيئة خصبة لتبييض ألاموال، نظرًا لغياب الشفافية الكالمة وصعوبة تتبع المعامالت. وتعد عملة البتكوين المشروعة، السيما على شبكة العمالت الافتراضية استخداما في المعامالت غير أكثر الانترنت المظلمة، اذ تقبل المنظمات الاجرامية الدفع بها مقابل المخدرات وألاسلحة ثم تلجأ إلى ا ست خدام أدوات مثل Mixers و Tumblers إلخفاء مسار الا موال و استغالل منصات التمويل الالمركزي (DeFi) للتحويل خارج النظام المصرفي 3. و تقرير أظهر Chainalysis أ ن 55 % من الا موال الا ج خمس رامية جرى غسلها عبر 1 FATF, Trade-Based Money Laundering: Trends and Indicators, Paris, 2020.p 02 - 01 2 تمنع المادة 11 مكرر من قانون الوقاية من تبييض ألاموال اصدار ألاصول الافتراضية او شراؤها او بيعها وتعاقب على ذلك بالحبس من شهرين الى سنة وغرامة من 611.111 دج الى 1.111.111 دج 3 U.S. Department of Justice, National Money Laundering Risk Assessment, 2020, p. 65

-- 7 of 21 --

صيدي عبد الرحمان ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ ــــــــــــــــــــــــــــــ منصات تداول رئيسية فقط ـ، منصة بينما تظل قضية انهيار Mt.Gox سنة 8102 أبرز مثال على استغالل العمالت المشفرة في تبييض الا موال . 1 0 - تبييض الاموال عبر البنوك الرقمية والمحافظ الالكترونية لم يصبح تبييض الاموال يقتصر على البنوك فقط بل أصبحت البنوك الرقمية وخدمات الدفع الالكترون ي وسيلة رائجة إلجراء تحويالت مالية سريعة وعابرة للحدود من طرف شركات تحويل الاموال ومزودي الانترنت، مثل خدمات الدفع عبر PayPal و Revolut. ، والمحافظ الالكترونية والهاتفية. بنك ولقد تم الكشف عن استغالل تحويالت عبر Western Union مبالغ في تمويل شبكات إجرامية عبر صغيرة متكررة لتفادي اثارة الشبهات. 2 و في قضية "Wirecard" بأملانيا ( 6161 )، تبيّن أن الشركة استغلت حسابات دفع ا أموال مشبوهة قُدّرت بمليارات اليوروهات لكتروني لتضخيم معامالت وهمية وإخفاء مصادر . 3 4 - ألالعاب الالكترونية تبييض الاموال عبر يُعد ّ غسيل الا موال عبر ألالعاب الا لكترونية virtual laundering إحدى الطرق الناشئة التي يستغلها المجرمون لتحويل الا موال المكتسبة من قانونية إلى أموال نظيفة أنشطة غير قانونية تبدو ، و تتم العملية غالبًا من خالل الا الافتراضية أو العمالت داخل سواق الثانوية لأللعاب، مثل المتاجر التي تتيح تداول العناصر اللعبة، حيث يتم شراء هذه العناصر أو العمالت بأموال ٍ مشبوهة ومن ثم يُعاد بيعها أو نقلها إلى حسابات أخرى، أو تحويلها إلى أصول يكون من الصعب تتبُّع مصدرها. كما تُستخدم بعض ألالعاب التي تتيح ميزة loot boxe أو صناديق المكافآت، فضال ً عن العمالت الافتراضية أو العناصر ) skins ( القابلة للتداول، كغطاء لعمليات الغسيل . 4 5 - تبييض الاموال بواسطة المؤثرين الرقميين أدى ظهور المؤثرين الرقميين على شبكات التواصل الاجتماعي إلى بروز نوع جديد من تبييض الا موال ضمن ما يُعرف باقتصاد المؤثرين (Influencer Economy) ، يتم عبر التسويق المموّل والترويج ملشاريع أو شركات وهمية تمول بأموال غير مشروعة، أو عبر الا ع النات المدفوعة للترويج ملنصات استثمارية أو عمالت 1 hainalysis, The 2020 Crypto Crime Report, New York, 2020, pp. 18, 22, 24, 33, available at: https://go.chainalysis.com/2020-Crypto-Crime-Report.html (accessed 11 September 2025 2 U.S. Department of Justice & Federal Trade Commission. (2017, January 19). Western Union admits anti-money laundering and consumer fraud violations; forfeits $586 million. Retrieved September 11, 2025, from https://www.justice.gov/opa/pr/western-union-admits-anti-money-laundering-and- consumer-fraud-violations-forfeits-586-million 3Fabian Teichmann, Sonia Ruxandra Boticiu & Bruno S. Sergi, Wirecard scandal: A commentary on the biggest accounting fraud in Germany’s post-war history, Journal of Financial Crime, Vol. 31, No. 1 (2023), pp. 166-173. 4 Cooke, Dan & Marshall, Angus M. (2024). Money laundering through video games, a criminals’ playground. Forensic Science International: Digital Investigation, Vol. 50, Article 301802.

-- 8 of 21 --

دور الذكاء الاصطناعي في مكافحة جرائم تبييض ألاموال ــــــــــــــــــــــــــــــــــــــــــــــــ ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ ــــــــــــــــــــــــــــــــــــــــــــ مشفرة غير مرخصة. يحصل المؤثرون على مكافآت مقابل جذب الضحايا، ما يسهل تدوير الا موال وإضفاء شرعية على الا م قانونية. وال المكتسبة بطرق غير و أظهرت الدراسات أن توصيات المؤثرين في أسواق العمالت الرقمية قد تُحدث تذبذبات قصيرة ألا جل في الا سعار، يستغل بعضها لتصفية الا صول المشبوهة ، إلى إشرا وتزداد خطورة هذه العمليات في بيئات تفتقر ف مالي فعّال، ما يجعلها أداة حديثة وفعّالة في غسل الا موال . 1 6 - تبييض الاموال عبر التجارة الا لكتروني ة أصبحت التجارة الا ل كترونية تمثل بيئة محف زة لتبييض الا موال، نظرا للنمو السريع للعمالت المشف رة الا وأنظمة الدفع عبر ن ترنت ، 2 الا حيث يستخدم المجرمون منصات البيع عبر ن ترنت لإلنشاء متاجر وهمية لتبري ر تحويالت مالية غير مشروعة أو المبالغة في قيمة المبيعات إلضفاء شرعية على الا م وال المكتسبة بطرق غي ر مشروعة. ل ذلك فإن أ ساليب الرصد التقليدية غالبًا ما تفشل في كشف هذه المعامالت بسبب التنوع الكبير في العمليات وحجم البيانات. و في هذا السياق، تُظهر ألابحاث الحديثة أن استخدام تقنيات الذكاء الاصطناعي مثل التعلم آلالي واكتشاف الشذوذ anomaly detection وتحليل الرسوم البيانية المعتمدة على البيانات الزمنية يمكن أن يحسّ ن دقة الكشف ويقلل من الا نذارات الكاذبة . 3 إن ألاساليب الحديثة لتبييض الا موال تعكس قدرة المجرمين على التكيف مع المستجدات التقنية والمالية ، فهي لم تعد حبيسة ألانظمة المصرفية التقليدية، بل انتقلت إلى الفضاء الرقمي ، و تكمن خطورتها في كونها أكثر تعقيدًا وانتشارًا عابرًا للحدود، ما يجعل مواجهتها تحديًا عالميًا يتطلب تعاونًا دوليًا وتشريعات متطورة . المبحث الثاني: فعالية انظمة الذكاء الاصطناعي في مكافحة جرائم تبييض الاموال أدى التطور التكنولوجي واتساع استخدام ألانظمة الرقمية في المعامالت المالية إلى تعقيد أساليب تبييض ألاموال وتزايد صعوبة اكتشافها بالوسائل التقليدية، خاصة مع الحجم الهائل للبيانات المالية وسرعة تداولها 1 Merkley, K. J., Pacelli, J., Piorkowski, M., & Williams, B. M. (2024). Crypto-influencers. Review of Accounting Studies, 29, 2254–2297. https://doi.org/10.1007/s11142-024-09838-4 2 Khan, A., Jillani, M.A.H.S., Ullah, M., & Khan, M. (2025). Regulatory strategies for combatting money laundering in the era of digital trade. Journal of Money Laundering Control, Vol. 28, No. 2, pp. 408-423. https://doi.org/10.1108/JMLC-07-2024-0113 3 Al-Ababneh, H. A., Nuralieva, C., Usmanalieva, G., Kovalenko, M., & Fedorovych, B. . The Use of Artificial Intelligence to Detect Suspicious Transactions in the Anti-Money Laundering System. Theoretical and Practical Research in Economic Fields. Vol 15 no 04 / 2024

-- 9 of 21 --

صيدي عبد الرحمان ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ ــــــــــــــــــــــــــــــ الحدود. وفي ظل هذه التحوالت، برز الذكاء الاصطناعي كأحد ألادوات الحديثة التي تعتمد عليها امل عبر ؤسسات الاعتيادية المرتبطة باألنشطة المشبوهة المالية والرقابية لتحليل البيانات واكتشاف ألانماط غير . وتكمن أهمية هذه التقنيات في قدرتها على تعزيز نظم الامتثال والرقابة المالية، من خالل تحليل المعامالت المالية ورصد المؤشرات التي قد تدل على عمليات تبييض ألامو ال. ولتبيان مدى فعالية هذه ألادوات، سيتم تناول أهم تطبيقات الذكاء الاصطناعي في المجال المالي في المطلب ألاول، وفي المطلب الثاني استخدام الذكاء الاصطناعي في المجال المالي والتحديات المرتبطة به. المطلب الاول: أهم انظمة الذكاء الاصطناعي المستخدمة في القطاع المالي أدى التحول الرقمي المتسارع في القطاع المالي إلى اعتماد أدوات الذكاء الاصطناعي (AI) بشكل واسع لتعزيز الرقابة على المعامالت المالية، والكشف عن ألانشطة المشبوهة في مراحلها المبكرة ، وتتميز ه ذه ألادوات إلى العادية التي قد تشير بقدرتها على تحليل كميات ضخمة من البيانات في وقت قصير، واكتشاف ألانماط غير عمليات تبييض مشروع أموال أو تمويل غير . وأثبتت مختلف الدراسات الحديثة فعالية الذكاء الاصطناعي في مكافحة تبييض الاموال في المجال المالي وا ملصرفي ويمكن تقسيمها إلى فئتين: فئة التعلم آلالي وتحليل البيانات الضخمة والفئة الثانية تعالج الهوية الرقمية والتعرف على ألانماط المشبوهة. الفرع الاول: التعلم آلالي وتحليل البيانات تُعد تقنيات التعلم آلالي وتحليل البيانات الضخمة من أبرز أدوات الذكاء الاصطن اعي المستخدمة ح اليًا في الكشف عن عمليات تبييض الا موال، ملا توفره من قدرة على تحليل كميات هائلة من البيانات المالية وتحديد ألانماط غير المعتادة بسرعة ودقة ، و تسمح هذه التقنيات ببناء نماذج تتعلم من البيانات التاريخية وتُحسّن أداءها تدريجيًا في تصنيف المعامالت المشبوهة، مما يساهم في تقليل إلانذارا ت الكاذبة وتعزيز كفاءة أنظ مة المراقبة المالية ، ومن ابرز هذه ألانظمة نجد: 1 - أدوات التعلم آلالي Machine Learning يُعد التعلم آلالي أحد الفروع الرئيسية للذكاء الاصطناعي، ويتيح للخوارزميات القدرة على التعلم من البيانات السابقة دون الحاجة إلى برمجة جميع الحاالت المحتملة مسبقًا ، وفي المجال المالي تستخدم هذه الطبيعية في المعامالت المالية، الخوارزميات لبناء نماذج تحليلية قادرة على التعرّف على ألانماط الطبيعية وغير باالعتماد على بيانات تاريخية، مما يساعد في التنبؤ باألنشطة ال إلى عمليات تبييض أموال تي قد تشير . وتشمل تقنيات التعلم آلالي التعلم المشرف (Supervised Learning) الذي يعتمد على بيانات مصنفة مسبقًا إلى معامالت “ مشروعة ” وأخرى “ مشبوهة ” ، والتعلم غير المشرف (Unsupervised Learning) الاعتيادية الذي يُستخدم الكتشاف ألانماط غير الشذوذات في البيانات دون تصنيف مسبق. أو

-- 10 of 21 --

دور الذكاء الاصطناعي في مكافحة جرائم تبييض ألاموال ــــــــــــــــــــــــــــــــــــــــــــــــ ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ ــــــــــــــــــــــــــــــــــــــــــــ كما تُستخدم تقنيات مثل التجميع (Clustering) وتحليل البيانات الضخمة (Big Data Analysis) ال كتشاف المعامالت التي تنحرف عن السلوك المالي المعتاد. وتُطبّق هذه النماذج في الوقت الفعلي داخل بعض المؤسسات المالية لتعزيز قدرا ت المراقبة وتقليل عدد إلانذارات الكاذبة، مما يزيد من فعالية أنظمة مكافحة غسل الا م وال . ومن بين النماذج الحديثة المستخدمة في الكشف عن المعامالت المشبوهة خوارزميات XGBoost و Random Forest و Support Vector Machines ، إضافة إلى نموذج Isolation Forest المتخصص في كشف الشذوذ . (Anomaly Detection) وقد أظهرت دراسة مقارنة نُشرت في مجلة Discover Artificial Intelligence سنة 8185 أن نموذج XGBoost حقق أعلى مستوى من الدقة ومؤشر F1 Score عند تحليل بيانات المعامالت المالية، في حين أظهر نموذج Isolation Forest قدرة فعالة على ا كتشاف المعامالت الشاذة داخل مجموعات البيانات الضخمة . 1 وتشير الدراسات الحديثة إلى أن دمج نماذج التعلم آلالي في أنظمة مكافحة تبييض ألاموال يسهم في تحسين كفاءة عمليات الرصد والتحقيق ، 2 عن معهد ماكنزي صادر فقد بيّن تقرير أن اعتماد هذه النماذج أدى إلى رفع دقة الكشف بنحو 31 % وزيادة الكفاءة التشغيلية بحوالي 21 % ، 3 . كما أظهرت دراسة تطبيقية أن بنسبة تقارب استخدام نماذج تصنيف قائمة على التعلم آلالي ساهم في تقليص مدة التحقيق وإعداد التقارير 11 % . 4 يُمثل التعلم آلالي إذن أداة استر اتيجية في تعزيز فعالية أنظمة مكافحة تبييض ألاموال، من خالل خفض التكاليف التشغيلية و رفع كفاءة التحقيقات، وتحقيق استباقية في كشف ألانشطة المالية المشبوهة . 2 : التعلم العميق ( Deep Learning ) يمثل التعلم العميق امتدادا متطورا ً للتعليم آلالي، حيث يستند إلى الشبكات العصبية الاصطناعية المكونة من طبقات متعددة قادرة على معالجة البيانات الضخمة والمعقد ة، 5 وهو أحد أكثر فروع الذكاء 1 Ajagbe, S. A., Majola, S., & Mudali, P. (2025). Comparative analysis of machine learning algorithms for money laundering detection. Discover Artificial Intelligence, 5, Article 144. https://doi.org/10.1007/s44163-025-00397-4 2 Yu, X., Xu, J., & Ke, Y. (2024). Deep learning for cross-border transaction anomaly detection in anti-money laundering systems. arXiv preprint arXiv:2412.07027. https://arxiv.org/abs/2412.07027 3 McKinsey & Company. (2023). The fight against money laundering: Machine learning is a game changer. https://www.mckinsey.com/capabilities/risk-and-resilience/our-insights/the-fight-against- money-laundering-machine-learning-is-a-game-changer 4Rabdan Academy. (2024). Developing a scoring model for managing money laundering transactions using machine learning. ResearchGate. https://www.researchgate.net/publication/390130271 5 Géron, A. Hands op cit , P 091

-- 11 of 21 --

صيدي عبد الرحمان ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ ــــــــــــــــــــــــــــــ الاصطناعي تقدّمًا في كشف ألانماط المعقدة داخل البيانات المالية الضخمة ، ويعتمد على الشبكات العصبي ة الاصطناعية متعددة الطبقات Artificial Neural Networks التي تحاكي طريقة عمل الدماغ البشري في معالجة المعلومات. التجارية الاعتيادية في ماليين المعامالت البنكية أو هذه التقنية بقدرتها على رصد السلوكيات غير وتتميز في وقت قصير، وهو ما يمكنها من اكتشاف محاوالت تبييض الا م وال التي قد تفلت من ألانظمة التقليدية . 1 وت تقارير شير حديثة إلى أن المؤسسات المالية الكبرى، بما في ذلك شركات الدفع الا لكتروني، بدأت تعتمد تقنيات الذكاء الاصطناعي المتقدمة، مثل التعلم العميق، لتحسين قدراتها على كشف الاحتيال وتبييض ألا موال في الزمن الحقيق ي 2 مما يسهم في رفع كفاءة أنظمة الامتثال ومكافحة الجرائم المالية. 3 - ألانظمة ذاتية التعلم (Self-Learning Systems) تمثل ألانظمة ذاتية التعلم تطورًا متقدمًا في مجال مكافحة تبييض الا موال، إذ ال تقتصر على تطبي ق قواعد ثابتة أو أنماط مسبقة، بل تعتمد على نماذج تعلم قادرة على التكيف مع السلوكيات المالية المتغيرة ، وتعمل هذه ألانظمة على تحليل كميات كبيرة من بيانات امل عامالت المالية بما في ذلك شبكات العالقات بين الحسابات المصرفية، وألانماط الزمنية للعمليات المالية، إضافة إلى الخصائص السلوكية مثل توقيت المعامالت وتكرارها وقيمتها ، بالعمليات المشبوهة وتحديث سياسات ومن خالل هذه البيانات تستطيع الخوارزميات التنبؤ الكشف بشكل مع تطور أساليب المجرمين مستمر . وتستند بعض هذه ألانظمة إلى تقنيات التعلم التعزيزي، مثل نماذج Deep Q-Network التي تمكن فعالية استنادًا إلى التغذية الراجعة الناتجة عن نتائج الفحص استراتيجيات الكشف ألاكثر النظام من اختيار ، أن فعالية هذه النماذج تظل مرتبطة غير بتحديد دالة مكافأة مناسبة توجه عملية التعلم، بما يحقق التوازن بين تقليل إلانذارات الكاذبة وضمان عدم استغالل النظام من قبل الشبكات إلاجرامية . ففي بيانات تجريبية ضخمة شملت حوالي 10 ماليين معالمة مالية، حقّق النظام معدل كشف (Détection Rate) حوالي 92.5% مع مع دل إنذارات زائفة (False Positive Rate) أقل من 3.68% ، وهو تفوق على نماذج التعلم آلالي والتعلم العميق التقليدي ة. 3 1 Qian Yu, Zhen Xu, Zong Ke, “Deep Learning for Cross-Border Transaction Anomaly Detection in Anti-Money Laundering Systems,” arXiv preprint, Dec. 2024. 2¹ Emerald Insight, “Deploying artificial intelligence for anti-money laundering and asset recovery: the dawn of a new era” (2023); Saif K. Aljunaid et al., “Secure and Transparent Banking: Explainable AI-Driven Federated Learning Model for Financial Fraud Detection” (2025), Journal of Risk Financial Management, p. 179. 3 Zhang, Y., Wang, H., & Li, X. (2025). Dynamic Reinforcement Learning for Suspicious Fund Flow Detection: A Multi-layer Transaction Network Approach with Adaptive Strategy Optimization. ACE Proceedings, EWA Direct. Retrieved from https://www.ewadirect.com/proceedings/ace/article/view/21580

-- 12 of 21 --

دور الذكاء الاصطناعي في مكافحة جرائم تبييض ألاموال ــــــــــــــــــــــــــــــــــــــــــــــــ ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ ــــــــــــــــــــــــــــــــــــــــــــ 4 - أنظمة تحليل البيانات الضخمة (Big Data Analytics Systems) تعد أنظمة تحليل البيانات الضخمة من أبرز ألادوات التكنولوجية الحديثة المستخدمة في مكافحة تبييض ألاموال، إذ تتيح للمؤسسات المالية والهيئات الرقابية معالجة كميات هائلة من البيانات المالية والمعامالت البنكية المتدفقة في زمن اقل، ويسمح ذلك بالكشف عن أنماط مالية مشبوهة قد تعجز ألانظمة التقليدية القائمة على القواعد الثابتة عن رصدها. وتبرز أهمية هذه ألانظمة في قدرتها على بناء ملفات سلوكية دقيقة للعمالء اعتمادًا على تحليل تاريخ النشاط المريب وتقليل معدالت إلانذارات الكا دقة تقارير الذي يسهم في تعزيز معامالتهم، ألامر ذبة . ولقد الباحث أشار Mingyuan Jiao في دراسة له سنة 8182 إلى تجربة عدد من البنوك في توظيف تقنيات امتثالها ملتطلبات مكافحة تبييض الا البيانات الضخمة لتعزيز م وال، حيث ساعدت هذه التحليالت على تحس ين ا جراءات فحص العمالء (Customer Due Diligence) ، والكشف عن عمليات تبييض ألاموال القائمة على التجارة (Trade-Based Money Laundering) ، مما أسهم في رفع جودة الرقابة المالية وتقليل المرتبطة بالجرائم المالية العابرة للحدود المخاطر . 1 5 - أنظمة التعرف على ألانماط (Pattern Recognition Systems) تعد أنظمة التعرّف على ألانماط من أبرز أدوات الذكاء الاصطناعي في مكافحة جرائم تبييض الا موال، إذ تعتمد على خوارزميات متقدمة لتحليل العالقات المتشابكة بين المعامالت المالية ورصد السلوكيات غير العادية مثل تقسيم المبالغ الصغيرة (Smurfing) ، أو التحويالت المتسلسلة بين حسابات متراب طة. وتظهر الدراسات التطبيقية مدى فعاليتها ، ف في دراسة حديثة طوّر Xu وآخرون نظامًا ذكيا ً للتعرف على أنماط المعامالت باستخدام الشبكات العصبية الرسومية، ونجح في كشف عمليات مشبوهة مرتبطة بتبادل العمالت الرقمية والتقطيع المالي بمعدل كشف تجاوز 25 % ضمن أعلى 0 % م ن المعامالت المفحوص ة، وتؤكد هذه التطبيقات أن أنظمة التعرف على ألانماط تعد أداة مركزية في تعزيز فعالية الرقابة المالية وكشف الا ساليب الاحتيالية المتطورة . 2 6 - الشبكات العصبية الاصطناعية (Artificial Neural Networks الشبكات العصبية الاصطناعية هي نماذج تعلم عميق تحاكي طريقة عمل الدماغ البشري، مكوَّنة من طبقات من العقد (neurons) مترابطة بأوزان قابلة للتعديل عبر التعلم ، وت ستخدم الـ ANN لتحليل 1Jiao, M. (2023). Big Data Analytics for Anti-Money Laundering Compliance in the Banking Industry. Highlights in Science, Engineering and Technology, Vol. 49, pp. 302-309. 2Xu, H., Yu, K., Wei, M., & Zhu, Y. (2024). Intelligent Anti-Money Laundering Transaction Pattern Recognition System Based on Graph Neural Networks. Journal of AI-Powered Medical Innovations, 2(1), 93-108. Retrieved from https://japmi.org/index.php/japmi/article/view/12

-- 13 of 21 --

صيدي عبد الرحمان ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ ــــــــــــــــــــــــــــــ ألانماط المعقّدة في المعامالت المالية، مثل توقيت المعامالت، الحجم، التكرار، وألانماط الهيكلية بين الحسابات، وذلك للتنبؤ بالمعامالت المشبوهة ، الخطية وهي قوية في التعامل مع البيانات الكبيرة وغير ، إال أن م ن التحديات التي تواجهها هو الحاجة لبيانات معلمة كثيرة، تجنّب إلافراط في التطابق (overfitting) ، وضمان أن النموذج ال يكون “ صندوقًا أسود ” بحيث ال يُفهم مبررات قراراته . 1 الفرع الثاني: أنظمة التعرف والتحقق من الهوية والمعلومة إلى جانب ألادوات التقنية القائمة على التعلم آلالي والتعلم العميق، برزت في السنوات ألاخيرة أنظمة نزاهة المعامالت المالية ومكافحة أخرى تُعنى بعملية التحقق من الهوية والمعلومة، والتي أصبحت ضرورية لتعزيز محاوالت إخفاء الهوية في عمليات تبييض ألاموال ، هذه ألانظم ة ال تقتصر على التحقق من شخصية العميل فقط، بل تشمل تحليل بياناته . 1 - أنظمة الهوية الرقمية و"اعرف عميلك (Digital ID & e-KYC Systems) تُساعد هذه ألانظمة على التحقق السريع من هوية العمالء عند فتح الحسابات أو إجراء المعامالت المالية، باستخدام تقنيات الذكاء الا صطناعي ملطابقة البيانات مع قواعد وطنية أو دولية . 2 ف في الهند فرضت هيئة تنظيم التأمين والتمويل على البنوك اعتماد نظام e-KYC المربوط بقاعدة بيانات Aadhaar (الهوية الرقمية الوطنية). هذا إلاجراء خفّض عمليات فتح الحسابات الوهمية بشكل كبير وساهم في كشف معامالت مشبوهة مرتبطة بتحويل الا موال إلى الخارج . 3 2 - معالجة اللغة الطبيعي ة (Natural Language Processing – NLP) البشري ، وتُستخدم في تحليل تقارير ألانشطة المشبوهة (SARs) و مراجعة مستندات العمالء (KYC) رصد ألاخبار العالمية والبيانات المفتوحة المتعلقة بالجرائم المالي ، وتُستخدم خوارزميات NLP الستخراج معلومات دقيقة حول المستفيد الحقيقي (Beneficial Owner) ، والكشف عن الروابط الخفية بين ألاسماء أو الكيانات، إضافة إلى رصد ا مشروعة شارات الحتمال التورط في أنشطة غير ، ف على سبيل ا ملثال يمكن لنظام NLP بين عميل طبيع أن يميّز المنشورة ي وكيان وهمي من خالل مقارنة بياناته الوصفية مع ألاخبار عنه أو مع القوائم السوداء الدولية . 1S. Ahmed, M. Alshahrani, and F. Masood, “Hybrid GraphSAGE-LSTM Model for Anti-Money Laundering”, International Journal of Advanced Computer Science and Applications (IJACSA), Vol. 16, No. 5, pp. 639-648, 2025. DOI: 10.14569/IJACSA.2025.0160578 2 التعليمة رقم بنك الجزائر اصدر 13 - 6161 المؤرخة في 21 ابريل 6161 تحدد اجراء معرفة الزبون ( KYC ) المطبق على البنوك والمؤسسات المالية والمصالح المالية لبريد الجزائر. منشورة بالموقع الالكتروني للبنك www.bank-of-algeria.dz 3Reserve Bank of India (RBI), Guidelines on e-KYC and Aadhaar Authentication in Banking, New Delhi, 2020, p. 18.

-- 14 of 21 --

دور الذكاء الاصطناعي في مكافحة جرائم تبييض ألاموال ــــــــــــــــــــــــــــــــــــــــــــــــ ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ ــــــــــــــــــــــــــــــــــــــــــــ و حسب تقرير EBA: Big Data and Advanced Analytics ، يُمكن تحويل صوت العميل إلى نص باستخدام المعالجة اللغوية الطبيعية (NLP) ، مثل المكالمات الهاتفية المفرغّة ومعالجتها، وكذلك البريد الا لكتروني والشات، لتحليل آلي يُساهم في تحسين فهم سلوك العميل والتفاعل معه في المؤسسات المالية . 1 3 - أنظمة التعرف البيومتري (Biometric Recognition Systems) تعتمد هذه ألانظمة على سمات فريدة للشخص مثل بصمات ألاصابع، بصمة الوجه، أو الصوت، للتحقق من الهوية ومنع الانتحال ، فف ي المملكة المتحدة تبنت عدة بنوك مثل Barclays أنظمة التعرف على الصوت للتحقق من العمالء عبر مراكز الاتصال ، و قد ساعدت هذه التقنية في تقليص عمليات الاحتيال المرتبطة بانتحال الشخصية بنسبة تقارب 01 % خالل العام 00 81 2 4 - أنظمة تحليل الشبكات المالي ة Financial Network Analysis Systems تركز هذه ألانظمة على تتبع العالقات بين العمالء والوسطاء والشركات للكشف عن الشبكات المعقدة عمليات غسل الا التي تدير موا ل، ف في قضية Danske Bank سنة 8102 استخدمت السلطات الدنماركية أنظمة تحليل الشبكات المالية لكشف عالقات بين معامالت مشبوهة تجاوزت قيمتها 200 مليار يورو تم توجيهها عبر فروع إستونية للبنك و ساعد هذا التحليل في تحديد الشركات الوهمية المستعملة كواجهة لغسل ألاموال . 3 لقد أثبتت أنظمة الذكاء فعالية، مثل التعلّم آلالي، تحليل البيانات الضخمة، التعرف الاصطناعي ألاكثر على ألانماط، والشبكات العصبية الاصطناعية، قدرتها على رفع كفاءة أجهزة الامتثال المالي عبر تحسين دقة الرصد وتقليص إلانذارات الكاذبة وتسريع التحقيقات، مما يجعلها عنصرا ً محوريا ً في الاست راتيجيات ا لحديثة ملكافحة تبييض ألاموال ، غير أ ن هذا التطور يثير في المقابل تحديات مرتبطة بالتكيّف مع أساليب التبييض المستجدة، وضمان الشفافية وحماية البيانات، وهو ما يفتح المجال لدراسة مجاالت وتحديات توظيف الذكاء الاصطناعي في هذا الميدان . المطلب الثاني: مجاال ت توييف الذكاء الاصطناعي في ششف تبييض الاموال والتحديات المرتبطة هها أصبح الذكاء الاصطناعي أداة أساسية في تطوير استراتيجيات مكافحة تبييض ألاموال، ملا يوفره من قدرة على معالجة البيانات الضخمة وتحليلها، إلى جانب التعلم الذاتي الذي يسمح برصد العمليات المشبوه ة 1 European Banking Authority (EBA), Big Data and Advanced Analytics, Final Report, January 2020, p. 22. 2 Financial Conduct Authority (FCA), Financial Crime TechSprint Report, London, 2019, p. 34. 3 European Parliament, The Danske Bank Money Laundering Scandal: Case Study, Brussels, 2019, p. 7.

-- 15 of 21 --

صيدي عبد الرحمان ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ ــــــــــــــــــــــــــــــ المالية المحتملة والتنبؤ بالمخاطر بدقة أكبر ، في المقابل مجموعة من التحديات أن توظيف هذه ألادوات يثير غير التقنية والقانونية التي قد تحد من تحقيق فعاليتها الكالمة في هذا المجال . الفرع الاول : مجاالت توييف الذكاء الاصطناعي أدى التطور المتسارع لتقنيات الذكاء الاصطناعي إلى توسيع مجاالت استخدامها في مكافحة تبييض ألاموال، حيث أصبحت المؤسسات المالية تعتمد عليها لتحليل المعامالت المالية واكتشاف ألانشطة المشبوهة بدقة أكبر ، فعالية أنظمة الامتثال والرقابة المالية كما أسهمت هذه التقنيات في تعزيز ، أه ويمكن إبراز م مجاال ت توظيف الذكاء الاصطناعي في هذا المجال من خالل التطبيقات آلاتية . 1 - رصد المعامالت المشبوهة تعتمد المؤسسات المالية بشكل متزايد على أنظمة المراقبة اللحظية (Real-Time Monitoring Systems) التي تسمح بمتابعة المعامالت فور وقوعها، وإطالق تنبيهات فورية عند اكتشاف نشاط غير متسق مع النمط المعتاد للعميل ، إلى أن هذه ألانظمة أسهمت في تقليص نسبة "إلانذارات الكاذبة" بشكل تقارير وتشير ملحوظ، وهو ما مكّن وحدات الامتثال من توجيه جهودها الى التحقيقات الجدي ة. 1 8 - تحلي ل السلوشيا ت المالية تتيح خوارزميات التعلم آلالي ا مكانية بناء "ملفات سلوكية" للعمالء استنادًا إلى بياناتهم التاريخية، ومن ثم مقارنة العمليات الجديدة بهذا الملف للكشف عن أي انحرافات اعتيادية، غير وقد أظهرت أبحاث أن هذه التقنية ساعدت على تحسين آليات اعرف عميلك ( Know Your Customer – KYC )، كما أسهمت في زيادة المرتفعة كفاءة تحديد العمالء ذوي المخاطر . 2 3 - التنبؤ باألنماط الاحتيالية يعتمد التنبؤ باألنشطة المشبوهة على تقنيات التعلم العميق (Deep Learning) القادرة على اكتشاف أنماط معقدة يصعب على التحليل البشري مالحظتها، مثل التقطيع المالي (Smurfing) التحويالت أو الدائرية (Round-tripping) وقد أظهرت دراسات حالة أن بعض البنوك الا و روبية نجحت في إحباط عمليات غسل أموال بفضل دمج هذه التقنيات مع أنظمة تحليل البيانا ت المتقدمة 3 . 1 Deloitte, AI in Anti-Money Laundering: Enhancing Transaction Monitoring with Machine Learning, 2020, p. 14. 2 Basel Institute on Governance, Artificial Intelligence and Machine Learning in Anti-Money Laundering Compliance, Working Paper, 2019, p. 22. 3 Zdanovic, M., AI Applications in Fraud Detection and Money Laundering Prevention, Journal of Financial Crime, Vol. 28, No. 4, 2021, p. 1035.

-- 16 of 21 --

دور الذكاء الاصطناعي في مكافحة جرائم تبييض ألاموال ــــــــــــــــــــــــــــــــــــــــــــــــ ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ ــــــــــــــــــــــــــــــــــــــــــــ 4 - التعاون الدولي تعزيز نظرًا للطابع العابر للحدود لجرائم تبييض ألاموال، يساهم الذكاء الاصطناعي في ربط البيانات المحلية بقواعد معلومات دولية، بما يتيح تتبع حركة ألاموال المشبوهة عبر ألانظمة المالية المختلفة في الع الم ، كما تتيح هذه التقنيات تسريع تبادل المعلومات بين السلطات المختصة وتحسين قدرة ألاجهزة الرقابية على كشف الشبكات إلاجرامية العابرة للحدود . وقد أكدت مجموعة العمل المالي (FATF) على أن التقنيات الحديثة تُمكّن من تعزيز التعاون الدولي أمان وتبادل المعلومات بشكل أسرع وأكثر ا. 1 . يظهر تحليل مجاالت توظيف الذكاء الاصطناعي في مكافحة تبييض ألاموال أ ن هذه التقنيات قد أح دثت نقلة نوعية في آليات الرقابة المالية والجمركية من خالل رفع دقة الرصد، وتحسين فهم السلوكيا ت ا ملالية، والتنبؤ باألنماط الاحتيالية المعقدة، فضال ً عن دعم التعاون الدولي ، غير أن هذا التقدم ال يخلو من صعوبات تقنية وتشريعية وأخالقية، ألامر ال ذي يستدعي ا لبحث في التحديات التي قد تعيق الاستفادة المثلى من هذه ألادوات في مواجهة جريمة تبييض ألاموال . الفرع الثاني : تحديات توييف الذكاء الاصطناعي يثير استخدام الذكاء الاصطناعي في القطاع المالي مجموعة من التحديات القانونية والتنظيمية، على رأسها مسألة شفاف ية الخوارزميات (Explainability) وتحديد المسؤولية القانونية عند وقوع خطأ أو إخفاق، ألامر الذي دعا المنظمات الدولية مثل Financial Action Task Force والاتحاد ألاوروبي، إلى قانونية واضحة لتنظيم استخدام هذه التكنولوجيا في المجال المالي التأكيد على ضرورة وضع أطر . 1 - التحديات التقنية ترتبط هذه التحديات بضعف جودة البيانات المالية، حيث غالبًا ما تكون غير مكتملة أو مشتتة بين على دقة مخرجات الخوا مؤسسات متعددة، ما يؤثر رزميات ، كما أن البنية التحتية الرقمية المتقدمة المطلوبة لتشغيل هذه ألانظمة مكلفة ومعقدة . 2 1 Financial Action Task Force (FATF). Op cit.p 22 2 PwC, How Artificial Intelligence is Transforming Financial Services Risk Management, 2020, p. 18.

-- 17 of 21 --

صيدي عبد الرحمان ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ ــــــــــــــــــــــــــــــ 2 - التحديات القانونية التشريعي الذي ينظم استخدام الذكاء الاصطناعي في التحقيقات المالية غامضًا، إذ تطرح ال يزال إلاطار مسألة مدى حجية ألادلة الرقمية المستخلصة عبر بين النظم القانونية هذه ألانظمة، فضال ً عن التباين الكبير الوطنية، مما يصعّب التعاون الدولي 1 3 - التحديات ألاخالقية الاعتماد على الذكاء الاصطناعي قضايا حساسة تتعلق بالخصوصية وحماية البيانات الشخصية يثير ، في بعض السياقات فالمراقبة المستمرة للمعامالت قد تُعتبر تعديًا على الحقوق الفردية، 2 وهو ما يتطلب وضع ضوابط تضمن التوازن بين فعالية ألامن المالي وحماية الحريات . 3 4 - التحديات العملية تتمثل في الكلفة المرتفعة لتطوير وتشغيل أنظمة الذكاء الاصطناعي، إضافة إلى النقص في الكفاءات البشرية المؤهلة في مجالي علوم البيانات هذه والقانون المالي، مما يحد ّ من قدرة المؤسسات المالية على استثمار ألادوات بفعالية 4 5. الخوارزمي والشفافية والتفسير التحديات المرتبطة بالتحيز يمثل التحيز الخوارزمي أحد أبرز المخاطر عند استخدام الذكاء الاصطناعي في مكافحة غسل ألاموال، إذ قد تؤدي طبيعة البيان ات المستخدمة في التدريب إلى نتائج منحازة ضد فئات معينة من العمالء، ما يزيد احتماالت "إلانذارات الخاطئة False Positives بحق عمالء أبرياء 5 . كما تطرح مسألة الشفافية تحديًا، خصوصًا في النماذج المعتمدة على التعلم العميق، التي غالبًا ما توصف بأنها "صندوق أسود"، مما يعوق القدرة على الاعتماد على قراراتها كأدلة أمام الجهات الرقابية والقضائية ، ف غياب الشفافية يقلل من مصداقية المخرجات ويضعف ثقة المستخد مين فيها . 6 ويبرز مفهوم التفسير (Explainability) أساس ي، إذ يجب أن يكون النظام قادرًا على شرح كعنصر ألاسباب التي دفعت إلى الاشتباه بمعالمة معينة، لتعزيز الرقابة البشرية وضمان حجية النتائج ف ي أي مسار 1 Veale, M. & Edwards, L., Clarity, Surprises, and Further Questions in the Article 22 GDPR Right to Human Intervention, Human Rights Law Review, 2018, p. 49. 2 مناصرة يوسف، اثر الذكاء الاصطناعي على القانون وحقوق الانسان، المجلة الجزائرية للعلوم القانونية والسياسية، كلية الحقوق جامعة الجزائر 1 ، مجلد 12 عدد 11 سنة 6161 ، ص 616 - 678 3 Bryson, J., The Ethical Challenges of Artificial Intelligence, in: Oxford Handbook of AI Ethics, Oxford University Press, 2020, p. 112. 4 Accenture, Realizing the Value of AI for Financial Institutions: Overcoming Implementation Challenges, 2021, p. 27. 5 Barocas, S., Hardt, M., & Narayanan, A., Fairness and Machine Learning, MIT Press, 2019, p. 76. 6 OECD, AI in Society: Addressing Transparency and Accountability in Financial Technologies, Paris, 2022, p. 34.

-- 18 of 21 --

دور الذكاء الاصطناعي في مكافحة جرائم تبييض ألاموال ــــــــــــــــــــــــــــــــــــــــــــــــ ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ ــــــــــــــــــــــــــــــــــــــــــــ رقاب قضائي أو ي، 1 لذلك أصبح "الحق في التفسير" محل اهتمام واس ع في التشريعات المقارنة، ال سيما في الالئحة ألاوروبية العامة لحماية البيانات (GDPR) التي أكدت على حق ألافراد في معرفة كيفية اتخاذ القرارات آلالية التي تؤثر عليهم ، وقد اعتبرت مجموعة العمل المالي (FATF) أن تعزيز الشفافية والتفسير يمثالن شرطين جوهريين لضمان الا ستخدام المسؤول للذكاء الاصطناعي في مكافحة غسل ألاموال . 2 يتضح مما سبق أن الذكاء الاصطناعي يمثل نقلة نوعية في مكافحة غسل ألاموال، إذ يوفر إمكانيات أن ّ فعاليته تبقى مشروطة بمعالجة التحديات التقنية غير متقدمة لرصد العمليات المشبوهة والتنبؤ بالمخاطر والقانونية وألاخالقية، من خالل تبني مقاربة شالمة تقوم على التحديث التكنولوجي، إلاصالح التشريعي، وتعزيز التعاون الدول ي. الخاتمة ا تضح من خالل هذه الدراسة أن توظيف تقنيات الذكاء الاصطناعي في مكافحة جرائم تبييض ألاموال يشكّل تطورًا مهمًا في فعالية أنظمة الرقا بة المالية، ملا توفره هذه التقنيات من قدرة عالية على معالجة كميات ضخمة من البيانات وتحليلها بسرعة ودقة، فضال ً عن قدرتها على كشف ألانماط الاحتيالية المعقدة التي قد الوسائل التقليدية عن رصدها تعجز . ومع ذلك، فإن تحقيق الاستفادة الكالمة من هذه إلامكانات يظل مر هونا بتبني استراتيجية مت كالمة التكنولوجي تجمع بين التطوير المالئم وتحديث مبادئ الحوكمة والرقابة ألاخالقية على التشريعية، وتعزيز ألاطر استخدام هذه ألانظمة، بما يساهم في ترسيخ نظام مالي أكثر أمانًا وشفافية، ويعزز فعالية الجهود المبذولة ملكافحة الجرائم المالي للحدود ة ذات الطابع العابر . وقد أبرز البحث عدة نتائج رئيسية، أهمها : - فعالية الذكاء الاصطناعي : أظهرت أدوات التعلم آلالي، التعلم العميق، وأنظمة تحليل البيانات الضخمة قدرة عالية على اكتشاف العمليات المشبوهة، خفض إلانذارات الكاذبة، وتسريع التحقيقات، مما يعزز قدرات الامتثال المالي ويجعل المؤسسات أكثر استعدادًا ملواجهة ألاساليب الحديثة لتبييض ألاموال . - ت نوع المجاالت التطبيقية : يمتد دور الذكاء الاصطناعي من رصد المعامالت المالية المشبوهة، تحليل التعاون الدولي بين الهيئات الرقابية، ما يعكس باألنماط الاحتيالية، إلى تعزيز السلوكيات المالية، التنبؤ إمكاناته في دعم استراتيجيات شالمة ملكافحة جريمة تبييض ألاموال ا لعابرة للحدود . 1Goodman, B., & Flaxman, S., European Union Regulations on Algorithmic Decision-Making and a “Right to Explanation”, AI Magazine, Vol. 38, No. 3, 2017, p. 56. 2 FATF, Opportunities and Challenges of New Technologies for AML/CFT, Paris, 2021, p. 11.

-- 19 of 21 --

صيدي عبد الرحمان ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ ــــــــــــــــــــــــــــــ - التحديات التقنية والقانونية وألاخالقية : يظل التحيز الخوارزمي و غياب الشفافية و صعوبة تفسير القرارات و حماية البيانات الشخصية، و كذا تكلفة تطوير وتشغيل ألانظمة، من أبرز العقبات التي قد تحد من فعالية هذه ألادوات، ألامر الذي يستدعي تدابير تنظيمية و تشريعية دقيق ة تضبط استخ دام الذكاء الاصطناعي في مكافحة الجريمة. الاستفادة من الذكاء الاصطناعي استنادًا إلى هذه النتائج، يمكن تقديم مجموعة من التوصيات العملية لتعزيز في هذا المجال :  دمج ألانظمة التقليدية مع الذكاء الاصطناعي لتشكيل استراتيجية مزدوجة تجمع بين الخبرة ال بشرية والتحليل آلالي، مما يزيد من القدرة على كشف العمليات المعقدة والمتطورة .  التشريعي الوطني بما يواكب استخدام تقنيات الذكاء الاصطناعي في الكشف عن جرائم تحديث إلاطار تبييض ألاموال، مع تحديد حجية ألادلة الرقمية وامل سؤولية القانونية في استخدام ألانظمة آلالي ة في المجال المالي .  - البنية التحتية الرقمية للقطاع المالي من خالل تمكين البنوك والمؤسسات المالية من استخدام تعزيز أدوات تحليل البيانات الضخمة وأنظمة المراقبة الذكية لرصد المعامالت المشبوهة في الوقت امل ناسب .  - تطوير القدرات المؤسس ات ية والبشري ة لدى الهيئات المختصة بمكافحة تبييض ألاموال، خاصة خلية معالجة الاستعالم المالي، وقطاع البنوك، وإدارة الجمارك وغيرها من القطاعات التي لها عالقة بحركة ألاموال، عبر التكوين على تقنيات تحليل البيانات والذكاء الاصطناعي و تكوين خبراء يجمعون بين الكفاءة التقنية وا ملعرفة القانونية .  - تعزيز التنسيق بين المؤسسات المالية والسلطات القضائية وألامنية لضمان الاستفادة الفعّالة من التحليالت الذكية في التحقيقات المالية .  تحسين جودة البيانات وتوحيدها لضمان تدريب النماذج على معلومات دقيقة ومتوازنة، مما يقلل من ويزيد من دق التحيز ة نتائج الكشف عن العمليات المشبوهة .  تعزيز الشفافية والتفسير عبر تطوير نماذج يمكنها تبرير قراراتها بطريقة مفهومة للبشر، بما يضمن قبولها لدى السلطات الرقابية والقضائية ويعزز الثقة في ألانظمة .  تطوير الكفاءات البشرية في مجالي علوم البيانات والقانون المالي لضمان الاستخدام ألامثل لألدوات التكنولوجية وتحليل النتائج بدقة .  تعزيز التعاون الدولي عبر تبادل المعلومات والتجارب بين السلطات المالية والرقابية، ملواجهة الطبيعة العابرة للحدود لجرائم تبييض ألاموال .

-- 20 of 21 --

دور الذكاء الاصطناعي في مكافحة جرائم تبييض ألاموال ــــــــــــــــــــــــــــــــــــــــــــــــ ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ ــــــــــــــــــــــــــــــــــــــــــــ قائمة المراجع 1 - Accenture, Realizing the Value of AI for Financial Institutions: Overcoming Implementation Challenges, 2021. 0- Ahmed, S., Alshahrani, M., & Masood, F., “Hybrid GraphSAGE-LSTM Model for Anti-Money Laundering”, International Journal of Advanced Computer Science and Applications (IJACSA), Vol. 16, No. 5, 2025, pp. 639–648. 3- Basel Institute on Governance, Artificial Intelligence and Machine Learning in Anti-Money Laundering Compliance, Working Paper, 2019. 4- Bishop, C. M., Pattern Recognition and Machine Learning, Springer, 2006. 5- Bryson, J., “The Ethical Challenges of Artificial Intelligence”, in: The Oxford Handbook of AI Ethics, Oxford University Press, 2020. 6- Chainalysis, The 2020 Crypto Crime Report, New York, 2020. Available at: https://go.chainalysis.com/2020-Crypto-Crime-Report.html 7- Deloitte, AI in Anti-Money Laundering: Enhancing Transaction Monitoring with Machine Learning, 2020. 8- Financial Action Task Force (FATF), Opportunities and Challenges of New Technologies for AML/CFT, Paris, 2021. 9- Géron, A., Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd ed., O’Reilly Media, 2022. 10 Marr, B., Artificial Intelligence in Practice: How 50 Companies Used AI and Machine Learning to Solve Problems, Wiley, 2019. 11- PwC, How Artificial Intelligence is Transforming Financial Services Risk Management, 2020. 12- SAS Institute, Using Advanced Analytics to Detect Money Laundering, White Paper, 2020. 13- Veale, M., & Edwards, L., “Clarity, Surprises, and Further Questions in the Article 22 GDPR Right to Human Intervention”, Human Rights Law Review, 2018. 14 Zdanovic, M., “AI Applications in Fraud Detection and Money Laundering Prevention”, Journal of Financial Crime, Vol. 28, No. 4, 202 19 مناصرة يوسف، أثر الذكاء الاصطناعي على القانون وحقوق الانسان، المجلة الجزائرية للعلوم القانونية والسياسية، كلية الحقوق جامعة الجزائر 1 ، مجلد 12 عدد 11 سنة 6161 ، ص 616 - 678 11 - تعليمة بنك الجزائر رقم 13 - 6161 المؤرخة في 21 ابريل 6161 تحدد اجراء معرفة الزبون ( KYC ) المطبق على البنوك والمؤسسات المالية والمصالح المالية لبريد الجزائر.

-- 21 of 21 --