RBI એ દેશની 26 બેંકોમાં AI-આધારિત 'MuleHunter' સિસ્ટમ લોન્ચ કરી છે. આ સિસ્ટમ મની લોન્ડરિંગ (Money Laundering) માટે ઉપયોગમાં લેવાતા શંકાસ્પદ એકાઉન્ટ્સને શોધી કાઢશે અને નાણાકીય સુરક્ષાને મજબૂત બનાવશે.
શું થયું?
ભારતીય રિઝર્વ બેંક (RBI) અને ફાઇનાન્સિયલ ઇન્ટેલિજન્સ યુનિટ-ઇન્ડિયા (FIU-IND) એ 'મ્યુલ એકાઉન્ટ્સ' (Mule Accounts) સામે મોરચો માંડ્યો છે. આ એવા બેંક એકાઉન્ટ્સ છે જેનો ઉપયોગ ગુનેગારો દ્વારા મની લોન્ડરિંગ (Money Laundering) કરવા માટે થાય છે. આ સમસ્યાનો સામનો કરવા માટે, RBI એ આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) અને મશીન લર્નિંગ (ML) આધારિત 'MuleHunter.ai' નામની સિસ્ટમ શરૂ કરી છે. આ ટેકનોલોજી હાલમાં 26 બેંકો માં સક્રિય છે અને સામાન્ય વપરાશકર્તા વર્તણૂકથી અલગ ટ્રાન્ઝેક્શન પેટર્ન (Transaction Patterns) પર નજર રાખીને શંકાસ્પદ એકાઉન્ટ્સને શોધી કાઢવા માટે ડિઝાઇન કરવામાં આવી છે.
આ AI સિસ્ટમની જમાવટ ઉપરાંત, નિયમનકારો નવા એકાઉન્ટ ખોલવા પરના નિયમો પણ કડક બનાવી રહ્યા છે. જેમાં એકત્રિત ક્રેડિટ (Aggregate Credits) ની મર્યાદા નક્કી કરવી અને 'નો યોર કસ્ટમર' (KYC) પ્રક્રિયાઓને મજબૂત બનાવવાનો સમાવેશ થાય છે. તે જ સમયે, ડિપાર્ટમેન્ટ ઓફ ટેલિકોમ્યુનિકેશન્સ (DoT) એ નવા સિમ કાર્ડ માટે આધાર ઓથેન્ટિકેશન (Aadhaar Authentication) ફરજિયાત બનાવ્યું છે, જે સાયબર ક્રિમિનલ્સ (Cybercriminals) દ્વારા છેતરપિંડી પ્રવૃત્તિઓ માટે મોબાઇલ નંબરો નોંધણી કરવા માટે ઉપયોગમાં લેવાતી સામાન્ય ખામીને દૂર કરવાનો હેતુ છે.
'MuleHunter' બેંકિંગને કેવી રીતે અસર કરશે?
ભારતીય બેંકો માટે, સાયબર ક્રાઇમ (Cybercrime) નો મુખ્ય પડકાર માત્ર ભંડોળનું નુકસાન નથી, પરંતુ અનુપાલન (Compliance) ના વધતા ખર્ચ અને સંસ્થાકીય વિશ્વાસને થયેલું નુકસાન પણ છે. બેંકો હાલમાં એન્ટી-મની લોન્ડરિંગ (AML) અને ફ્રોડ ડિટેક્શન (Fraud Detection) ટીમ પર ભારે ખર્ચ કરે છે. MuleHunter.ai જેવી ઓટોમેટેડ સિસ્ટમ માનવ ટીમો કરતાં વધુ ઝડપથી ગેરકાયદેસર પેટર્ન ઓળખવામાં મદદ કરી શકે છે, જેનાથી ભ્રષ્ટ એકાઉન્ટ્સને બ્લોક કરવામાં લાગતો સમય ઘટાડી શકાય છે.
જોકે, રોકાણકારોએ નોંધ લેવી જોઈએ કે આ ટેકનોલોજી ઓપરેશનલ ખર્ચ (Operational Cost) નો એક નવો સ્તર રજૂ કરે છે. જોકે તેનો ઉદ્દેશ્ય છેતરપિંડી અટકાવવાનો છે, બેંકોએ એ સુનિશ્ચિત કરવાની જરૂર પડશે કે AI સિસ્ટમને કાયદેસર ગ્રાહક વ્યવહારોને ફ્લેગ (Flag) કરવાનું ટાળવા માટે ફાઇન-ટ્યુન (Fine-tuned) કરવામાં આવે, જે અન્યથા ગ્રાહકોની અસંતોષ અથવા અસ્થાયી એકાઉન્ટ ફ્રીઝ (Account Freeze) નું કારણ બની શકે છે.
અનુપાલન અને છેતરપિંડીનો ખર્ચ
સાયબર ફ્રોડ (Cyber Fraud) સંભવિત નિયમનકારી દંડ (Regulatory Penalties), સુધારણા ખર્ચ (Remediation Costs), અને પીડિતોને વળતર આપવાની જરૂરિયાત દ્વારા બેંકના નફાના માર્જિન (Profit Margins) માટે સીધો ખતરો ઉભો કરે છે. જ્યારે બેંકની સિસ્ટમનો મની લોન્ડરિંગ માટે ભારે ઉપયોગ થાય છે, ત્યારે તે RBI જેવા નિયમનકારો તરફથી કડક તપાસ આકર્ષી શકે છે, જેના પરિણામે ક્યારેક ઓપરેશનલ પ્રતિબંધો (Operational Restrictions) લાગી શકે છે.
ઇન્ડિયન સાયબર ક્રાઇમ કોઓર્ડિનેશન સેન્ટર (I4C) અને રિઝર્વ બેંક ઇનોવેશન હબ (RBIH) નો ઇન્ટેલિજન્સ શેરિંગ (Intelligence Sharing) માટે ઉપયોગ કરીને, બેંકિંગ સિસ્ટમ વધુ સહયોગી સંરક્ષણ તરફ આગળ વધી રહી છે. જો આ AI-આધારિત અભિગમ સફળતાપૂર્વક છેતરપિંડીપૂર્ણ વ્યવહારોની સંખ્યા ઘટાડે છે, તો તે બેંકો પર સાયબર-સંબંધિત વિવાદોને ઉકેલવાનો લાંબા ગાળાનો બોજ ઘટાડી શકે છે અને એકંદર ઓપરેશનલ કાર્યક્ષમતા (Operational Efficiency) માં સુધારો કરી શકે છે.
રોકાણકારોએ શું ધ્યાન રાખવું જોઈએ?
આ પગલાંઓની અસરકારકતા છેતરપિંડીની વિકસતી યુક્તિઓને AI સિસ્ટમ કેટલી ઝડપથી અને સચોટ રીતે અનુકૂલન સાધે છે તેના પર નિર્ભર રહેશે. રોકાણકારો નીચે મુજબના અપડેટ્સ શોધી શકે છે:
- પ્રારંભિક 26 બેંકો ઉપરાંત વ્યાપક બેંકિંગ ક્ષેત્રમાં અમલીકરણની પ્રગતિ.
- ફ્રોડ-સંબંધિત નુકસાનમાં ઘટાડાની સરખામણીમાં અનુપાલન ખર્ચ અંગે મેનેજમેન્ટની ટિપ્પણી.
- ગ્રાહક ઓનબોર્ડિંગ (Customer Onboarding) ની ગતિ પર કોઈપણ અસર, કારણ કે કડક KYC અને ટ્રાન્ઝેક્શન મોનિટરિંગ (Transaction Monitoring) ક્યારેક એકાઉન્ટ ખોલવાની પ્રક્રિયામાં અવરોધ લાવી શકે છે.
- ભવિષ્યના નિયમનકારી ઓડિટ (Regulatory Audits) જે પ્રકાશિત કરી શકે છે કે શું આ સિસ્ટમોએ ક્ષેત્રમાં મ્યુલ એકાઉન્ટ્સની ઘટનાને અસરકારક રીતે ઘટાડી છે.