مبارزه با کلاهبرداری مالی در عصر فناوری و هوش مصنوعی

وقتی فناوری به ابزار سارقان تبدیل می شود؛ نبرد تازه بانک ها با تقلب

کلاهبرداری مالی دیگر شبیه گذشته نیست که با یک امضای جعلی یا کارت بانکی دزدیده شده تمام شود. امروز مجرمان با کمک هوش مصنوعی، مهندسی اجتماعی، جعل هویت دیجیتال و حملات پیچیده، سامانه های پرداخت و حساب مشتریان را هدف می گیرند. در چنین شرایطی، تقویت امنیت سایبری و استفاده از فناوری های تشخیص تقلب برای مؤسسات مالی به یک انتخاب لوکس محدود نمی شود؛ این کار حالا یک ضرورت جدی است.

ماجرا وقتی سخت تر می شود که ابزارهای جدید هم زمان در اختیار بانک ها و خلافکارها قرار دارند. همان فناوری ای که تراکنش مشکوک را شناسایی می کند، می تواند برای ساخت صدای جعلی، پیام فریبنده یا هویت غیرواقعی هم استفاده شود. یعنی یک رقابت دائمی شکل گرفته که در آن، برنده کسی است که سریع تر یاد بگیرد و زودتر واکنش نشان دهد.

مطالعه مقاله قبلی در دسته بندی تکنولوژی با عنوان انتخاب بهترین مدل هوش مصنوعی برای موفقیت کسب و کارها.

فناوری چهره کلاهبرداری را عوض کرده است

تا چند سال قبل، بسیاری از حملات مالی به اطلاعات کارت، رمز عبور یا اسناد کاغذی وابسته بودند. حالا مجرمان می توانند با چند داده ساده از شبکه های اجتماعی، تصویری دقیق از زندگی یک فرد بسازند. نام محل کار، اعضای خانواده، عادت های خرید و حتی سبک نوشتن افراد، برای طراحی یک حمله شخصی سازی شده کافی است.

فیشینگ هم دیگر همیشه پر از غلط املایی و وعده های عجیب نیست. پیام های امروزی ممکن است کاملاً طبیعی، حرفه ای و متناسب با شرایط قربانی نوشته شوند. ابزارهای تولید محتوا می توانند در چند ثانیه ایمیل، پیامک یا متن گفت وگویی بسازند که تشخیص جعلی بودن آن واقعاً دشوار است.

جعل صدا و تصویر هم دردسر تازه ای به وجود آورده. تصور کنید مدیر یک شرکت طی یک تماس تصویری از واحد مالی بخواهد مبلغی را فوری انتقال دهد. صدا درست است، چهره آشناست و لحن هم طبیعی به نظر می رسد؛ اما کل تماس می تواند ساختگی باشد. اینجا دیگر اعتماد به چشم و گوش، به تنهایی جواب نمی دهد.

سرعت اجرای حملات نیز بالا رفته است. یک گروه مجرم می تواند به جای هدف گرفتن چند نفر، هزاران حساب را هم زمان بررسی کند. اتوماسیون به آن ها اجازه می دهد رمزهای لو رفته را امتحان کنند، حساب های آسیب پذیر را پیدا کنند و مبالغ سرقت شده را خیلی سریع میان چند مقصد جابه جا کنند.

روش های قدیمی دیگر کافی نیستند

بسیاری از سامانه های سنتی تشخیص تقلب بر قوانین ثابت تکیه دارند؛ مثلاً اگر تراکنشی از مبلغ مشخصی بیشتر بود یا از یک کشور خاص انجام شد، هشدار صادر شود. این روش ها هنوز کاربرد دارند، اما مشکلشان روشن است: مجرمان خیلی زود قوانین را کشف می کنند و رفتارشان را طوری تغییر می دهند که زیر رادار بمانند.

برای نمونه، به جای انتقال یک مبلغ بزرگ، چندین پرداخت کوچک انجام می شود. هر تراکنش ممکن است عادی به نظر برسد، ولی کنار هم یک الگوی خطرناک می سازند. اگر سامانه فقط هر پرداخت را جداگانه بررسی کند، بخش مهمی از تصویر را از دست می دهد.

از طرف دیگر، سخت گیری بیش از حد هم تجربه مشتری را خراب می کند. هیچ کس دوست ندارد برای خرید عادی یا انتقال پول به یکی از اعضای خانواده، چند بار هویت خود را تأیید کند. هشدارهای اشتباه زیاد، تماس با پشتیبانی را بالا می برد و اعتماد مشتری را کاهش می دهد.

پس هدف فقط مسدود کردن تعداد بیشتری از تراکنش ها نیست. راهکار خوب باید میان کاهش ریسک و حفظ تجربه روان کاربر تعادل ایجاد کند. تصمیم گیری دقیق، آن هم در چند ثانیه، چیزی است که فناوری های تحلیل داده می توانند در آن حسابی کمک کننده باشند.

مقابله هوشمند با حملات هوشمند

در نبرد با مجرمان دیجیتال، استفاده درست از هوش مصنوعی می تواند ورق را برگرداند. مدل های یادگیری ماشین قادرند حجم بزرگی از تراکنش ها را بررسی و رفتار عادی هر مشتری را شناسایی کنند. وقتی الگوی رفتاری ناگهان تغییر کند، سامانه می تواند قبل از تکمیل پرداخت، بررسی بیشتری انجام دهد.

نکته مهم این است که یک نشانه به تنهایی معمولاً برای تشخیص کلاهبرداری مالی کافی نیست. موقعیت جغرافیایی، نوع دستگاه، ساعت ورود، سرعت تایپ، مقصد انتقال و سابقه فعالیت باید در کنار هم دیده شوند. ترکیب این داده ها تصویر دقیق تری از ریسک می سازد.

احراز هویت رفتاری هم نقش جالبی دارد. نحوه حرکت ماوس، شیوه لمس صفحه موبایل یا سرعت جابه جایی میان بخش های یک برنامه می تواند با الگوی همیشگی کاربر مقایسه شود. اگر فردی با اطلاعات صحیح وارد حساب شده باشد اما رفتار او کاملاً متفاوت به نظر برسد، احتمال سرقت حساب بالا می رود.

بااین حال نباید تصور کرد که الگوریتم ها معجزه می کنند. مدل ها ممکن است بر اساس داده های ناقص، تصمیم اشتباه بگیرند یا نسبت به بعضی گروه های کاربران عملکرد ضعیف تری داشته باشند. نظارت انسانی، آزمایش مداوم و شفافیت در تصمیم ها برای جلوگیری از چنین مشکلاتی ضروری است.

تیم های مبارزه با تقلب باید بتوانند بفهمند چرا یک تراکنش پرخطر تشخیص داده شده است. پاسخ هایی مثل «مدل این طور تصمیم گرفت» دیگر کافی نیست. توضیح پذیری، هم برای کارشناسان و مدیران مهم است و هم در پاسخ گویی به مشتری و نهادهای نظارتی کاربرد دارد.

داده های پراکنده، نقطه ضعف پنهان سازمان ها

یکی از مشکلات جدی مؤسسات مالی، جدا بودن اطلاعات در سامانه های مختلف است. داده های کارت، حساب بانکی، تسهیلات، اپلیکیشن موبایل و مرکز تماس ممکن است هرکدام در بخشی مستقل نگهداری شوند. مجرم دقیقاً از همین فاصله ها استفاده می کند.

برای مثال، تغییر شماره تلفن شاید در یک سامانه عادی دیده شود. ورود با دستگاه جدید هم به تنهایی اتفاق عجیبی نیست. درخواست وام فوری نیز ممکن است قانونی باشد. اما رخ دادن همه این موارد در مدت کوتاه می تواند نشانه روشن تصاحب حساب یا جعل هویت باشد.

ایجاد یک دید یکپارچه از مشتری به بانک ها اجازه می دهد ارتباط میان رویدادها را بهتر ببینند. این موضوع فقط به خرید نرم افزار تازه مربوط نیست؛ تیم های فناوری، مدیریت ریسک، عملیات و پشتیبانی هم باید داده ها و تجربه خود را با یکدیگر به اشتراک بگذارند.

همکاری میان سازمان ها نیز اهمیت زیادی دارد. یک حمله ممکن است ابتدا در یک شرکت پرداخت دیده شود و بعد سراغ چند بانک دیگر برود. اگر اطلاعات مربوط به الگوهای مشکوک سریع و البته با رعایت حریم خصوصی به اشتراک گذاشته شود، فرصت فعالیت مجرمان کمتر خواهد شد.

عامل انسانی هنوز وسط ماجراست

حتی پیشرفته ترین ابزارهای امنیت سایبری هم نمی توانند همه خطرها را حذف کنند. مهاجمان معمولاً دنبال ساده ترین مسیر هستند و گاهی ساده ترین مسیر، قانع کردن یک انسان است. یک تماس فوری، پیام ترسناک یا درخواست ظاهراً دوستانه می تواند قربانی را به افشای رمز یا تأیید یک پرداخت وادار کند.

آموزش مشتریان باید کوتاه، روشن و کاربردی باشد. هشدارهای کلی مثل «مراقب کلاهبرداران باشید» اثر چندانی ندارند. بهتر است دقیق گفته شود که بانک هرگز رمز یک بارمصرف را تلفنی نمی خواهد، تماس تصویری هم می تواند جعل شود و هر درخواست فوری انتقال وجه باید از مسیری دیگر تأیید شود.

کارکنان نیز به آموزش منظم نیاز دارند. مسئول مرکز تماس، کارشناس شعبه و مدیر مالی باید نشانه های مهندسی اجتماعی را بشناسند. تمرین سناریوهای واقعی کمک می کند افراد هنگام مواجهه با فشار یا درخواست غیرعادی، به جای عجله کردن چند سؤال اضافه بپرسند.

فرهنگ سازمانی هم بی تأثیر نیست. اگر کارمند از گزارش یک اشتباه بترسد، احتمال دارد مسئله را پنهان کند و زمان طلایی واکنش از دست برود. سازمان باید فضایی ایجاد کند که گزارش سریع اتفاق مشکوک، رفتاری مسئولانه محسوب شود نه اعتراف به شکست.

بانک ها چطور یک قدم جلوتر بمانند؟

اولین قدم، پذیرفتن این واقعیت است که تهدیدها ثابت نمی مانند. راهکاری که امروز عالی کار می کند شاید چند ماه دیگر نیاز به بازنگری داشته باشد. مدل ها، قوانین و فرایندهای کنترلی باید مرتب با داده های جدید ارزیابی و به روزرسانی شوند.

سرمایه گذاری فقط روی ابزار هم کافی نیست. مؤسسات مالی به نیروهایی نیاز دارند که هم رفتار مجرمان را بفهمند و هم با تحلیل داده آشنا باشند. ترکیب تخصص بانکی، دانش فنی و شناخت روان شناسی قربانی، تیم مقابله با تقلب را بسیار قدرتمندتر می کند.

داشتن برنامه واکنش سریع نیز حیاتی است. وقتی حمله شناسایی می شود، چه کسی حساب را محدود می کند؟ مشتری چطور مطلع می شود؟ داده ها چگونه حفظ می شوند؟ اگر پاسخ این سؤال ها از قبل مشخص نباشد، چند ساعت سردرگمی می تواند خسارت را چند برابر کند.

در نهایت، آینده این رقابت به سرعت سازگاری بستگی دارد. مجرمان از فناوری برای ساخت حملات ارزان تر، سریع تر و باورپذیرتر استفاده می کنند. بانک ها و شرکت های پرداخت هم باید همان فناوری را با داده بهتر، کنترل انسانی و نگاه مسئولانه به کار بگیرند.

مبارزه با کلاهبرداری مالی پروژه ای نیست که یک بار اجرا شود و بعد خیال همه راحت باشد. این یک فرایند زنده و همیشگی است. هرچه سازمان ها زودتر داده هایشان را یکپارچه کنند، کارکنان و مشتریان را جدی تر آموزش دهند و تصمیم های سریع تری بگیرند، فضای کمتری برای فعالیت خلافکاران باقی می ماند.

برای دریافت جدیدترین اخبار تکنولوژی با مجله هوش مصنوعی با ما همراه باشید