Whalesbook
વધતા બેંકિંગ ફ્રોડ સામે RBIની રણનીતિ
ભારતના નાણાકીય ક્ષેત્રમાં બેંકિંગ ફ્રોડના કિસ્સાઓ ચિંતાજનક રીતે વધી રહ્યા છે. નાણાકીય વર્ષ FY25 માં નોંધાયેલા ₹34,771 કરોડ ના ફ્રોડ લોસ, તેની અગાઉના વર્ષના ₹11,261 કરોડ ની સરખામણીમાં એક મોટો ઉછાળો દર્શાવે છે. રિઝર્વ બેંક ઓફ ઈન્ડિયા (RBI) ના રિપોર્ટ મુજબ, આ વૃદ્ધિ માત્ર નાણાકીય નુકસાન જ નથી પહોંચાડી રહી, પરંતુ ગ્રાહકોનો વિશ્વાસ પણ ડગમગાવી રહી છે, જેના કારણે નાણાકીય સમાવેશ (financial inclusion) અને સેક્ટરના વિકાસને ધીમો પડી શકે છે. આ પરિસ્થિતિને પહોંચી વળવા RBI નવા પગલાં લેવા વિચારી રહી છે.
પુશ પેમેન્ટ ફ્રોડમાં ગ્રાહક જવાબદારી મર્યાદિત અને અન્ય પગલાં
RBI દ્વારા પ્રસ્તાવિત જવાબદારી માળખા મુજબ, ઓછા મૂલ્યના પુશ પેમેન્ટ ફ્રોડના પીડિતોને વળતર મળી શકે છે. આ વળતર એક-વખત ₹25,000 સુધી અથવા ટ્રાન્ઝેક્શનના 80% સુધી, જે ₹50,000 થી વધુ ન હોય, તેટલું હશે. નિવારક પગલાં તરીકે, ₹10,000 થી વધુના ટ્રાન્ઝેક્શન માટે 1-કલાકનો ફરજિયાત વિલંબ અને ₹50,000 થી વધુના ટ્રાન્ઝેક્શન માટે વૃદ્ધ ગ્રાહકો અથવા વિકલાંગ વ્યક્તિઓ માટે કડક વેરિફિકેશન લાગુ થઈ શકે છે. આ પગલાંનો ઉદ્દેશ્ય વપરાશકર્તાઓને વિચારવાનો સમય આપવાનો છે.
સ્ટેટિક સુરક્ષા સામે ચપળ બદમાશો
જોકે, આ નિયમો ગ્રાહકની સ્થિર વિગતો પર આધારિત છે. નિષ્ણાતો જણાવે છે કે ફ્રોડસ્ટર ખૂબ જ અનુકૂલનશીલ (adaptable) હોય છે; એક પદ્ધતિ બ્લોક થતાં જ તેઓ સિસ્ટમને છેતરવાની નવી રીતો શોધી કાઢે છે. આનો અર્થ એ છે કે નિશ્ચિત નિયમોને સરળતાથી બાયપાસ કરી શકાય છે. આ કારણે, AI અને મશીન લર્નિંગ (AI/ML) પર વધુ ધ્યાન કેન્દ્રિત કરવામાં આવી રહ્યું છે. AI/ML વપરાશકર્તાના વર્તનના આધારે રીઅલ-ટાઇમ જોખમનું મૂલ્યાંકન કરવામાં અને પેટર્નને એનાલાઈઝ કરીને અસામાન્ય પ્રવૃત્તિને ઓળખવામાં નિશ્ચિત ગ્રાહક ઓળખ તપાસ કરતાં વધુ સારી રીતે મદદ કરી શકે છે.
AI: સિસ્ટમિક રેઝિલિયન્સ તરફનો માર્ગ
જેમ જેમ ભારતીય બેંકિંગ સેક્ટર વધુ ડિજિટલ બની રહ્યું છે, તેમ તેમ અત્યાધુનિક નાણાકીય ગુનાઓ માટે નવા માર્ગો પણ ખુલી રહ્યા છે. જૂની રૂલ-બેઝ્ડ સિસ્ટમ્સ વિકસતા જતા જોખમો સામે ઓછી અસરકારક બની રહી છે. આ જ કારણ છે કે ભારતીય બેંકો ઝડપથી AI/ML ટૂલ્સનો ઉપયોગ કરી રહી છે. સ્ટેટ બેંક ઓફ ઈન્ડિયા (State Bank of India) અને HDFC બેંક જેવી બેંકોએ પહેલાથી જ AI સોલ્યુશન્સ લાગુ કર્યા છે, જેનાથી ફ્રોડ અને ખોટા એલર્ટમાં ઘટાડો થયો છે. વૈશ્વિક સ્તરે પણ, સેન્ટ્રલ બેંકો અને નાણાકીય સંસ્થાઓ ફ્રોડ અને મની લોન્ડરિંગ સામે લડવા માટે AI અને મોનિટરિંગ પર ધ્યાન આપી રહી છે. એનાલિસ્ટ્સ સહમત છે કે સાચી સુરક્ષા માટે સતત અપડેટ્સ, સિસ્ટમ-વાઇડ સંરક્ષણ અને મજબૂત માહિતી શેરિંગની જરૂર છે. RBI નું ડિજિટલ પેમેન્ટ્સ ઇન્ટેલિજન્સ પ્લેટફોર્મ પણ આ દિશા સૂચવે છે, પરંતુ તે પ્રસ્તાવિત ઉપાયો સાથે કેવી રીતે જોડાશે તે સ્પષ્ટ નથી.
સ્ટેટિક નિયમોની નબળાઈઓ અને AI અપનાવવામાં અવરોધો
RBI નો ગ્રાહકોને સુરક્ષિત કરવાનો ઈરાદો સ્પષ્ટ છે, પરંતુ પ્રસ્તાવિત સ્ટેટિક સુરક્ષા પગલાં મોટી પડકારોનો સામનો કરે છે. મુખ્ય જોખમ એ છે કે ફ્રોડસ્ટર અનુકૂલન કરશે; ઉદાહરણ તરીકે, યુવાનોને નિશાન બનાવીને અથવા ઉંમર કે ભૌતિક તપાસ પર આધારિત નિયમોને બાયપાસ કરવા માટે નવી સ્કેમિંગ તકનીકોનો ઉપયોગ કરીને. આ ઉપરાંત, AI/ML ને વ્યવહારમાં મૂકવામાં પોતાની મુશ્કેલીઓ છે. ઊંચો પ્રારંભિક ખર્ચ, તાલીમ પામેલા કર્મચારીઓની અછત અને ડેટા ગોપનીયતા તથા અયોગ્ય અલ્ગોરિધમ્સ અંગેની ચિંતાઓ ભારતના વૈવિધ્યસભર નાણાકીય ક્ષેત્રમાં તેના અપનાવવામાં ધીમી ગતિ લાવી શકે છે. પ્રસ્તાવિત જવાબદારી માળખું, એક સલામતી જાળ હોવા છતાં, જો યોગ્ય રીતે સંચાલિત ન થાય તો તેનો દુરુપયોગ થઈ શકે છે. બેંકો, ટેલિકોમ પ્રદાતાઓ અને પોલીસ વચ્ચે સંકલનના અભાવે પણ છેતરપિંડીવાળા એકાઉન્ટ્સને રોકવામાં અને પૈસા પાછા મેળવવામાં સતત સમસ્યાઓ ઊભી કરે છે. અલગ-અલગ પગલાં પર ધ્યાન કેન્દ્રિત કરવાને બદલે, એક સંપૂર્ણ, લવચીક સિસ્ટમ, ગુનેગારો સાથે સતત પીછો કરવામાં પરિણમી શકે છે.
આગળનો માર્ગ: ચપળ સંરક્ષણ
ભવિષ્યમાં ભારત ડિજિટલ પેમેન્ટ ફ્રોડનો કેવી રીતે સામનો કરે છે તે સ્ટેટિક, પ્રતિક્રિયાત્મક પગલાંથી આગળ વધવા પર આધાર રાખે છે. બેંકિંગમાં AI/ML નો વધતો ઉપયોગ એક સકારાત્મક સંકેત છે, જે સતત અપડેટ્સ અને અદ્યતન ખતરાની શોધખોળની જરૂરિયાતને સમર્થન આપે છે. જોકે, RBI ની નવી નીતિઓની સફળતા તેમની સુગમતા, અદ્યતન ટેકનોલોજી સાથે તેઓ કેટલી સારી રીતે સંકલિત થાય છે અને સાચી સિસ્ટમ-વાઇડ સુરક્ષા બનાવવાની તેમની ક્ષમતા પર નિર્ભર રહેશે. સેક્ટરે તાત્કાલિક વપરાશકર્તા સુરક્ષાને બદલાતા જોખમોને અનુકૂલિત થઈ શકે તેવા સંરક્ષણની લાંબા ગાળાની જરૂરિયાત સાથે સંતુલિત કરવાની જરૂર છે.