AI Finance

AI கண்காணிப்பு கருவிகளால் நிதி மோசடி நடப்பதற்கு முன்பே கணிக்க முடியுமா?

AI கண்காணிப்பு கருவிகள் நிதி மோசடி நடப்பதற்கு முன்பே அர்த்தமுள்ள துல்லியத்துடன் கணிக்க முடியும், ஆனால் அவை ஏற்கனவே கற்றுக்கொண்ட வடிவங்களின் எல்லைக்குள் மட்டுமே செயல்படும்; ஒவ்வொரு புதிய திட்டத்தையும் தடுப்பதற்கு உத்தரவாதம் அளிப்பதை விட, நிகழ்நேரத்தில் வெளிப்படும் அசாதாரணங்களை கண்டறிவதில் அவை சிறந்து விளங்குகின்றன. கணிப்பு மோசடி கண்டறிதல் என்பது பணம் தீர்வு செய்யப்படுவதற்கு முன்பே, ஒரு பரிவர்த்தனை, கணக்கு அல்லது வர்த்தக வடிவம் மோசடியாக இருக்கும் நிகழ்தகவை மதிப்பிடுவதன் மூலம் செயல்படுகிறது, இது வங்கிகள் மற்றும் ஃபின்டெக் நிறுவனங்களுக்கு தலையிடுவதற்கான குறுகிய ஆனால் முக்கியமான வாய்ப்பை வழங்குகிறது.

டிஜிட்டல் கட்டண அளவுகள் அதிகரிக்கும் மற்றும் மோசடி உத்திகள் மேலும் நுட்பமானதாக மாறும் நிலையில் இந்த கேள்வி அவசரமானதாக மாறியுள்ளது, AI-உருவாக்கிய டீப்ஃபேக் குரல் மோசடிகளிலிருந்து பாரம்பரிய சரிபார்ப்பை தவிர்க்கும் செயற்கை அடையாள மோசடி வரை. AI-இயங்கும் நிகழ்நேர கண்காணிப்பு நிதி ஆபத்து மேலாண்மையை எவ்வாறு மாற்றி வருகிறது என்பது பற்றிய எங்கள் விரிவான வழிகாட்டியில் விவரிக்கப்பட்டுள்ளபடி, எளிய அசாதாரண எச்சரிக்கையை தாண்டி கணிப்பு திறன் இயற்கையான அடுத்த படியாகும்.

அன்றாட நுகர்வோர்களுக்கு, ஒரு வங்கி கணக்கை காலி செய்வதற்கு முன்பே மென்பொருள் மோசடியை நிறுத்த முடியும் என்ற எண்ணம் நம்பமுடியாத அளவுக்கு நன்றாக இருக்கிறது என தோன்றுகிறது. இருப்பினும் அமெரிக்கா, ஐரோப்பா மற்றும் ஆசியா முழுவதும் உள்ள முக்கிய நிறுவனங்கள் ஏற்கனவே கணிப்பு மோசடி மாதிரிகளை உற்பத்தியில் இயக்கி வருகின்றன, மேலும் முடிவுகள் 2026 இல் நிகழ்நேர பாதுகாப்பு உண்மையில் என்ன அர்த்தம் என்பதற்கான எதிர்பார்ப்புகளை மறுவடிவமைத்து வருகின்றன.

கருத்து விளக்கம்

கணிப்பு மோசடி கண்டறிதல் பாரம்பரிய எதிர்வினை கண்காணிப்பிலிருந்து ஒரு முக்கிய வழியில் வேறுபடுகிறது: சந்தேகத்திற்குரிய பரிவர்த்தனை முடிவடைவதற்காக காத்திருந்து பின்னர் அதை கண்டறிவதற்கு பதிலாக, கணிப்பு மாதிரிகள் அங்கீகாரத்திற்கு முன்பே, பெரும்பாலும் மில்லிசெகண்டுகளுக்குள் ஆபத்தை மதிப்பிடுகின்றன. இந்த மாதிரிகள் சாதன கைரேகை, தட்டச்சு தாளம் அல்லது ஸ்வைப் வடிவங்கள் போன்ற நடத்தை பயோமெட்ரிக்ஸ், பரிவர்த்தனை வேகம் மற்றும் வரலாற்று மோசடி லேபிள்களை பயன்படுத்தி, ஒரு பரிவர்த்தனை அங்கீகரிக்கப்பட வேண்டுமா, சவால் செய்யப்பட வேண்டுமா அல்லது முற்றிலும் தடுக்கப்பட வேண்டுமா என்பதை தீர்மானிக்கும் நிகழ்தகவு மதிப்பெண்ணை உருவாக்குகின்றன.

அடிப்படை தொழில்நுட்பம் பொதுவாக மில்லியன் கணக்கான லேபிள் செய்யப்பட்ட மோசடி மற்றும் மோசடி அல்லாத பரிவர்த்தனைகளில் பயிற்சி பெற்ற மேற்பார்வையிடப்பட்ட கற்றல் மாதிரிகளை, கணக்குகள், சாதனங்கள் மற்றும் IP முகவரிகளுக்கு இடையிலான உறவுகளை வரைபடமாக்கும் வரைபட அடிப்படையிலான பகுப்பாய்வுடன் இணைக்கிறது. ஒற்றை-பரிவர்த்தனை பார்வைக்கு கண்ணுக்கு தெரியாத நுட்பமான தொடர்புகளை பல தொடர்பற்றதாக தோன்றும் கணக்குகள் பகிர்ந்து கொள்ளும் மோசடி வளையங்களை பிடிப்பதில் இந்த வரைபட அணுகுமுறை குறிப்பாக பயனுள்ளதாக இருக்கிறது.

இது இப்போது ஏன் முக்கியம்

நம்பகத்தன்மையான ஃபிஷிங் செய்திகள், குளோன் செய்யப்பட்ட குரல்கள் மற்றும் போலி அடையாள ஆவணங்களை உருவாக்க மோசடி செய்பவர்கள் ஜெனரேட்டிவ் AI-ஐ அதிகளவில் ஆயுதமாக்குவதால் 2026 இல் உலகளாவிய நிதி மோசடி இழப்புகள் தொடர்ந்து அதிகரித்து வருகின்றன. பரிவர்த்தனை தொகை அல்லது புவியியல் பொருந்தாமை போன்ற நிலையான வரம்புகளை நம்பியிருக்கும் பாரம்பரிய விதி-அடிப்படையிலான மோசடி அமைப்புகள், தானே AI-உருவாக்கப்பட்ட மற்றும் தகவமைப்புத் தன்மை கொண்ட மோசடிகளால் அதிகளவில் மிஞ்சப்படுகின்றன.

அமெரிக்காவில் உள்ள ஒழுங்குமுறையாளர்கள், UK-இன் நிதி நடத்தை ஆணையம் மற்றும் இந்தியாவின் RBI ஆகியவை கடந்த ஆண்டில் வலுவான, மேலும் முன்னெச்சரிக்கை மோசடி தடுப்பு கடமைகளை நோக்கி நிதி நிறுவனங்களை தள்ளும் புதுப்பிக்கப்பட்ட வழிகாட்டுதலை வெளியிட்டுள்ளன, சில நேரங்களில் கண்டறியப்படாத மோசடிகளுக்கான பொறுப்பை மீண்டும் வங்கிகள் மீது மாற்றுகின்றன. இதற்கிடையில், நுகர்வோர்கள் தங்கள் ஸ்மார்ட்போனின் ஸ்பேம் வடிகட்டியிலிருந்து பெறும் அதே உடனடி மோசடி பாதுகாப்பை, தங்கள் வங்கி கணக்கு மற்றும் முதலீட்டு போர்ட்ஃபோலியோவிற்கும் எதிர்பார்க்கிறார்கள்.

AI இந்த பகுதியை எவ்வாறு மாற்றி வருகிறது

நவீன கணிப்பு மோசடி அமைப்புகள் இப்போது 50 மில்லிசெகண்டுகளுக்கும் குறைவான காலத்தில் அனுமானத்தை இயக்குகின்றன, இது சட்டபூர்வமான வாடிக்கையாளர்களுக்கு கவனிக்கத்தக்க தடையை சேர்க்காமல் அங்கீகாரம் முடிவடைவதற்கு முன்பே மோசடி பரிவர்த்தனையை தடுக்க போதுமான வேகமாகும். சாய்வு-அதிகரிக்கப்பட்ட மரங்களை நரம்பியல் நெட்வொர்க்குகளுடன் கலக்கும் என்செம்பிள் மாதிரிகள் எந்த ஒற்றை வழிமுறையையும் விட சிறப்பாக செயல்படுகின்றன, தவறவிட்ட மோசடி மற்றும் தவறான மறுப்புகள் இரண்டையும் குறைக்கும் வகையில் துல்லியம் மற்றும் நினைவுத்திறனை சமநிலைப்படுத்துகின்றன.

நிலையான விதி இயந்திரங்களைப் போலல்லாமல், இந்த மாதிரிகள் புதிய மோசடி வடிவங்களில் தொடர்ந்து மறுபயிற்சி பெறுகின்றன, இது கைமுறை விதி புதுப்பிப்புக்காக மாதங்கள் காத்திருப்பதற்கு பதிலாக, புதிய மோசடி உத்திகளுக்கு சில நாட்களுக்குள் தகவமைக்க அனுமதிக்கிறது. சில நிறுவனங்கள் இப்போது வங்கிகளுக்கு இடையே மூல வாடிக்கையாளர் தரவை வெளிப்படுத்தாமல் மோசடி வடிவ நுண்ணறிவை பகிர்வதற்கு கூட்டமைப்பு கற்றலை பயன்படுத்துகின்றன, இது தொழில் முழுவதும் மோசடி தடுப்பை திறம்பட கூட்டு-ஆதாரம் செய்கிறது.

நிஜ உலக உலகளாவிய உதாரணங்கள்

அமெரிக்க அட்டை நெட்வொர்க்குகள் நீண்ட காலமாக பரிவர்த்தனைகளை நிகழ்நேரத்தில் அங்கீகரிக்க அல்லது நிராகரிக்க கணிப்பு மதிப்பீட்டை பயன்படுத்தி வருகின்றன, மேலும் 2026 இல் இந்த அமைப்புகள் சரியான கடவுச்சொல் மற்றும் அட்டை விவரங்கள் பயன்படுத்தப்பட்டாலும் கூட கணக்கு கையகப்படுத்தல் முயற்சிகளை பிடிக்க நடத்தை பயோமெட்ரிக்ஸை அதிகளவில் இணைத்து வருகின்றன. உருவாகி வரும் வலுவான வாடிக்கையாளர் அங்கீகார விதிகளின் கீழ் இயங்கும் ஐரோப்பிய வங்கிகள், சரிபார்ப்பு அனுசரிப்பை பூர்த்தி செய்யும் அதேவேளையில் செக்அவுட் தடையை குறைக்க இதே போன்ற கணிப்பு அடுக்குகளை வெளியிட்டு வருகின்றன.

இந்தியாவில், UPI-இணைந்த வங்கிகள், சமூக பொறியியல் மோசடிகளின் கூர்மையான அதிகரிப்பை எதிர்கொள்ள கணிப்பு மோசடி மாதிரிகளை பயன்படுத்தி வருகின்றன, இதில் பாதிக்கப்பட்டவர்கள் தாங்களே பணம் செலுத்துவதை அங்கீகரிக்க ஏமாற்றப்படுகிறார்கள், இது பாரம்பரிய மோசடி கண்டறிதலுக்கு பிடிக்க கடினமான ஒரு சூழ்நிலையாகும், ஏனெனில் பரிவர்த்தனை கணக்குதாரரின் சொந்த சாதனத்திற்கு சட்டபூர்வமானதாக தோன்றுகிறது. கிரிப்டோ பரிமாற்றங்கள், திரும்பப்பெறல் இறுதி செய்யப்படுவதற்கு முன்பே, முந்தைய ஹேக்குகள் அல்லது மிக்சர் சேவைகளுடன் இணைக்கப்பட்ட வாலட் முகவரிகளை கண்டறிய இதே போன்ற கணிப்பு மாதிரிகளை பயன்படுத்துகின்றன.

நடைமுறை நிதி குறிப்புகள்

நுகர்வோர்கள் தங்கள் வங்கி பயன்பாடுகளில் பயோமெட்ரிக் அங்கீகாரம் மற்றும் பரிவர்த்தனை வரம்புகளை இயக்குவதன் மூலம் மோசடிக்கு எதிரான தங்கள் வாய்ப்புகளை மேம்படுத்தலாம், ஏனெனில் இந்த அம்சங்கள் கணிப்பு மாதிரிகளுக்கு கூடுதல் சிக்னலை வழங்குகின்றன மற்றும் அங்கீகரிக்கப்படாத அணுகலுக்கான வாய்ப்பை குறைக்கின்றன. பதிவு செய்யப்பட்ட சாதனங்களை தொடர்ந்து மதிப்பாய்வு செய்து புதுப்பிப்பது, உங்கள் சட்டபூர்வமான செயல்பாட்டை தாக்குபவரின் செயல்பாட்டிலிருந்து வேறுபடுத்த கணிப்பு அமைப்புகளுக்கு உதவுகிறது.

முதலீட்டாளர்கள், குறிப்பாக கிரிப்டோ அல்லது அவசர வர்த்தகங்களை தள்ளும் யாசிக்கப்படாத முதலீட்டு குறிப்புகளை, AI-உருவாக்கிய அறிமுகம் எவ்வளவு நம்பகமானதாக தோன்றினாலும் சரி, ஒரு எச்சரிக்கை அறிகுறியாக கருத வேண்டும், ஏனெனில் ஒரு பாதிக்கப்பட்டவர் மனமுவந்து அங்கீகரிக்கும் மோசடியை கணிப்பு மோசடி கருவிகளால் நிறுத்த முடியாது. டிஜிட்டல் கட்டணங்களை ஏற்கும் வணிகங்கள், AI-இயங்கும் நிதி கருவிகளை விவாதிக்கும்போது rupiya.ai போன்ற தளங்களிடமிருந்து எதிர்பார்க்கப்படும் வெளிப்படைத்தன்மையை ஒத்திருக்கும் வகையில், தங்கள் மோசடி மாதிரி செயல்திறன் அளவீடுகளை வெளியிடும் கட்டண செயலாக்கிகளை தேர்ந்தெடுக்க வேண்டும்.

எதிர்கால கண்ணோட்டம்

மக்கள்தொகை அளவிலான வடிவங்களை மட்டும் அல்லாமல் தனிநபர் கணக்கு நடத்தையில் பயிற்சி பெற்ற மாதிரிகளுடன், கணிப்பு மோசடி கண்டறிதல் 2027 க்குள் இன்னும் தனிப்பயனாக்கப்படுவதற்கான வாய்ப்பு உள்ளது, இது சட்டபூர்வமான ஆனால் அசாதாரண பரிவர்த்தனைகளுக்கான தவறான மறுப்புகளை மேலும் குறைக்கும். வங்கிகள், டெலிகாம் வழங்குநர்கள் மற்றும் சாதன உற்பத்தியாளர்கள் இடையே நிகழ்நேரத்தில் மோசடி சிக்னல்களை பகிர்ந்து கொள்ள ஆழமான ஒருங்கிணைப்பை எதிர்பார்க்கலாம், தற்போது தனித்தனி அமைப்புகள் முழுவதும் மோசடி செய்பவர்கள் பயன்படுத்தும் இடைவெளிகளை மூடுகிறது.

மோசடி செய்பவர்கள் மோசடிகளை அளவிட ஜெனரேட்டிவ் AI-ஐ ஏற்றுக்கொள்வதால், நிதி நிறுவனங்கள் இதை AI-க்கு-எதிரான-AI ஆயுதப் போட்டியாக அதிகளவில் வடிவமைக்கும், தங்கள் கணிப்பு மாதிரிகள் கண்டறிதலை தவிர்க்க குறிப்பாக வடிவமைக்கப்பட்ட செயற்கை தரவு அல்லது எதிரி உள்ளீடுகளால் ஏமாற்றப்பட முடியாது என்பதை உறுதிசெய்ய எதிரி சோதனையில் பெரிதும் முதலீடு செய்யும்.

AI கணிப்புகளின் துல்லியம்

தற்போதைய கணிப்பு மோசடி மாதிரிகள் அறியப்பட்ட மோசடி வகைகளில் அதிக துல்லியத்தை அடைகின்றன, ஆனால் முற்றிலும் புதிய தாக்குதல் வடிவங்களுக்கு எதிரான செயல்திறன் கவனிக்கத்தக்க அளவில் குறைகிறது, அதனால்தான் எந்த நிறுவனமும் AI கணிப்பை அடுக்கு பாதுகாப்பு கட்டுப்பாடுகளுக்கு முழுமையான மாற்றாக கருதுவதில்லை. துல்லியம் மற்றும் நினைவுத்திறன் இடையேயான தேர்வுகள் தொடர்ந்து ஒரு சவாலாக உள்ளன, ஏனெனில் அதிக ஆக்ரோஷமான மோசடி மாதிரிகள் தவறான மறுப்புகளால் வாடிக்கையாளர்களை விரக்தியடையச் செய்கின்றன, அதேசமயம் அதிக மென்மையானவை இழப்புகளை கடந்து செல்ல அனுமதிக்கின்றன.

வங்கி மோசடி அமைப்புகளின் சுயாதீன தணிக்கைகள் காட்டுவது என்னவென்றால், சிறந்த செயல்திறன் கொண்ட கணிப்பு மாதிரிகள் கூட நுட்பமான சமூக பொறியியல் மோசடிகளின் அர்த்தமுள்ள பங்கை இன்னும் தவறவிடுகின்றன, ஏனெனில் பரிவர்த்தனையே தரவு பார்வையில் இருந்து சட்டபூர்வமானதாக தோன்றுகிறது. அதனால்தான் மனித மேற்பார்வை, வாடிக்கையாளர் கல்வி மற்றும் பல-காரணி சரிபார்ப்பு ஆகியவை AI கணிப்புக்கு விருப்ப சேர்க்கைகளாக அல்லாமல் இன்றியமையாத துணைகளாக தொடர்கின்றன.