RBI ने फसव्या खात्यांना ओळखण्यासाठी AI-आधारित 'MuleHunter' सिस्टीम सुरु केली आहे. देशभरातील **26** बँकांमध्ये ही प्रणाली लागू करण्यात आली असून, यामुळे मनी लाँडरिंगसारख्या गुन्हेगारीला आळा बसणार आहे. या नवीन तंत्रज्ञानामुळे बँकिंग क्षेत्रातील ऑपरेशनल रिस्क (Operational Risk) आणि सायबर गुन्हेगारीशी संबंधित खर्च कमी होण्याची शक्यता आहे.
काय आहे 'MuleHunter'?
भारतीय रिझर्व्ह बँक (RBI) आणि फायनान्शियल इंटेलिजन्स युनिट-इंडिया (FIU-IND) यांनी मिळून 'मुल अकाउंट्स' (Mule Accounts) अर्थात फसवणुकीसाठी वापरल्या जाणाऱ्या बँक खात्यांवर मोठी कारवाई सुरू केली आहे. यासाठी RBI ने आर्टिफिशियल इंटेलिजन्स (AI) आणि मशीन लर्निंग (ML) आधारित 'MuleHunter.ai' ही प्रणाली देशभरातील 26 बँकांमध्ये लागू केली आहे. हे तंत्रज्ञान सामान्य ग्राहक वर्तनापेक्षा वेगळे असलेले ट्रान्झॅक्शन पॅटर्न (Transaction Patterns) ओळखून संशयास्पद खाती सक्रियपणे फ्लॅग (Flag) करण्यासाठी डिझाइन केले आहे.
या AI प्रणालीसोबतच, नवीन खाते उघडण्यावरही कडक नियम लागू करण्यात आले आहेत. यामध्ये खात्यातील एकूण क्रेडिट मर्यादित करणे आणि KYC (Know Your Customer) प्रक्रिया अधिक मजबूत करणे यांचा समावेश आहे. त्याचबरोबर, दूरसंचार विभागाने (Department of Telecommunications - DoT) नवीन सिम कार्डांसाठी आधार ऑथेंटिकेशन (Aadhaar Authentication) अनिवार्य केले आहे, ज्यामुळे सायबर गुन्हेगारांना फसव्या कामांसाठी मोबाईल नंबर नोंदवण्याची सामान्य पद्धत बंद होईल.
बँकिंगवर 'MuleHunter' चा परिणाम
भारतीय बँकांसाठी सायबर गुन्हेगारीचे मोठे आव्हान केवळ पैशांचे नुकसान नाही, तर वाढता कंप्लायन्स खर्च (Compliance Cost) आणि संस्थेवरील विश्वासाला तडा जाणे हे आहे. बँका सध्या अँटी-मनी लाँडरिंग (AML) आणि फसवणूक शोध पथकांवर (Fraud Detection Teams) मोठा खर्च करत आहेत. 'MuleHunter.ai' सारखी स्वयंचलित प्रणाली मानवी टीमपेक्षा जलद गतीने अवैध पॅटर्न ओळखण्यास मदत करू शकते, ज्यामुळे फसव्या खात्यांना ब्लॉक करण्यासाठी लागणारा वेळ कमी होऊ शकतो.
मात्र, गुंतवणूकदारांनी हे लक्षात घेणे महत्त्वाचे आहे की हे तंत्रज्ञान ऑपरेशनल खर्चाचा (Operational Cost) एक नवीन स्तर आहे. फसवणूक रोखण्याचा उद्देश असला तरी, बँकांना AI प्रणाली अचूकपणे ट्यून करावी लागेल जेणेकरून वैध ग्राहक ट्रान्झॅक्शन्सना (Customer Transactions) चुकीने फ्लॅग केले जाणार नाही, ज्यामुळे ग्राहकांमध्ये असंतोष किंवा खाती तात्पुरती गोठवली जाऊ शकतात.
कंप्लायन्स आणि फसवणुकीचा खर्च
सायबर फसवणूक थेट बँकेच्या नफ्यावर परिणाम करते. यामध्ये नियामक दंड (Regulatory Penalties), सुधारणा खर्च (Remediation Costs) आणि पीडितांना नुकसान भरपाई देण्याची गरज यांचा समावेश असतो. जेव्हा बँकेच्या प्रणालीचा वापर मनी लाँडरिंगसाठी मोठ्या प्रमाणावर केला जातो, तेव्हा RBI सारख्या नियामकांकडून कठोर तपासणी केली जाऊ शकते, ज्यामुळे कधीकधी ऑपरेशनल निर्बंध (Operational Restrictions) येऊ शकतात.
इंडियन सायबर क्राईम कोऑर्डिनेशन सेंटर (I4C) आणि रिझर्व्ह बँक इनोव्हेशन हब (RBIH) कडून गुप्तचर माहितीची देवाणघेवाण करून, बँकिंग प्रणाली अधिक सहयोगी बचावाकडे वाटचाल करत आहे. जर AI-आधारित हा दृष्टिकोन फसव्या व्यवहारांची संख्या यशस्वीरित्या कमी करू शकला, तर सायबर-संबंधित वाद सोडवण्यासाठी बँकांवरील दीर्घकालीन भार कमी होऊ शकतो आणि एकूण ऑपरेशनल कार्यक्षमता (Operational Efficiency) सुधारू शकते.
गुंतवणूकदारांनी काय लक्ष ठेवावे?
या उपायांची परिणामकारकता AI प्रणाली फसवणुकीच्या विकसित होणाऱ्या डावपेचांशी किती लवकर आणि अचूकपणे जुळवून घेते यावर अवलंबून असेल. गुंतवणूकदार खालील बाबींवर अपडेट्स शोधू शकतात:
- सुरुवातीच्या 26 बँकांच्या पलीकडे व्यापक बँकिंग क्षेत्रात अंमलबजावणीची प्रगती.
- कंप्लायन्स खर्च विरुद्ध फसवणुकीमुळे होणारे नुकसान कमी करण्याबाबत व्यवस्थापनाचे भाष्य.
- ग्राहक ऑनबोर्डिंगच्या (Customer Onboarding) गतीवर कोणताही परिणाम, कारण कठोर KYC आणि ट्रान्झॅक्शन मॉनिटरिंगमुळे खाते उघडण्याच्या प्रक्रियेत काहीवेळा अडथळे येऊ शकतात.
- भविष्यातील नियामक ऑडिट्स (Regulatory Audits) जे या प्रणालींनी सेक्टरमधील 'मुल अकाउंट्स'ची घटना प्रभावीपणे कमी केली आहे की नाही हे स्पष्ट करू शकतात.