ਭਾਰਤੀ ਰਿਜ਼ਰਵ ਬੈਂਕ (RBI) ਨੇ 26 ਬੈਂਕਾਂ ਵਿੱਚ AI-ਅਧਾਰਿਤ 'MuleHunter' ਸਿਸਟਮ ਲਾਗੂ ਕਰ ਦਿੱਤਾ ਹੈ। ਇਸ ਦਾ ਮਕਸਦ ਮਨੀ ਲਾਂਡਰਿੰਗ ਲਈ ਵਰਤੇ ਜਾਂਦੇ ਫਰਾਡ ਵਾਲੇ ਖਾਤਿਆਂ ਦਾ ਪਤਾ ਲਗਾਉਣਾ ਹੈ। ਇਸ ਨਾਲ ਭਾਰਤੀ ਬੈਂਕਿੰਗ ਸੈਕਟਰ ਲਈ ਵਿੱਤੀ ਸੁਰੱਖਿਆ ਮਜ਼ਬੂਤ ਹੋਵੇਗੀ ਅਤੇ ਸਾਈਬਰ ਕ੍ਰਾਈਮ ਨਾਲ ਜੁੜੇ ਖ਼ਤਰੇ ਅਤੇ ਲਾਗਤ ਘੱਟ ਹੋ ਸਕਦੀ ਹੈ।
ਕੀ ਹੋਇਆ?
ਭਾਰਤੀ ਰਿਜ਼ਰਵ ਬੈਂਕ (RBI) ਅਤੇ ਫਾਈਨੈਂਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਯੂਨਿਟ-ਇੰਡੀਆ (FIU-IND) ਨੇ "ਮੂਲ ਅਕਾਊਂਟਸ" (mule accounts) ਜਿਨ੍ਹਾਂ ਨੂੰ ਅਕਸਰ ਅਪਰਾਧੀ ਮਨੀ ਲਾਂਡਰਿੰਗ ਲਈ ਵਰਤਦੇ ਹਨ, ਦੇ ਖਿਲਾਫ ਇੱਕ ਵੱਡੀ ਕਾਰਵਾਈ ਸ਼ੁਰੂ ਕੀਤੀ ਹੈ। ਇਸ ਨਾਲ ਨਜਿੱਠਣ ਲਈ, RBI ਨੇ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ-ਆਧਾਰਿਤ ਸਿਸਟਮ 'MuleHunter.ai' ਤੈਨਾਤ ਕੀਤਾ ਹੈ। ਇਹ ਟੈਕਨਾਲੋਜੀ ਇਸ ਵੇਲੇ 26 ਬੈਂਕਾਂ ਵਿੱਚ ਸਰਗਰਮ ਹੈ ਅਤੇ ਇਹ ਆਮ ਉਪਭੋਗਤਾਵਾਂ ਦੇ ਵਿਹਾਰ ਤੋਂ ਵੱਖਰੇ ਟ੍ਰਾਂਜੈਕਸ਼ਨ ਪੈਟਰਨ ਦੀ ਨਿਗਰਾਨੀ ਕਰਕੇ ਸ਼ੱਕੀ ਖਾਤਿਆਂ ਨੂੰ ਪਹਿਲਾਂ ਹੀ ਫਲੈਗ ਕਰਨ ਲਈ ਤਿਆਰ ਕੀਤੀ ਗਈ ਹੈ।
AI ਤੈਨਾਤੀ ਤੋਂ ਇਲਾਵਾ, ਰੈਗੂਲੇਟਰ ਨਵੇਂ ਖਾਤੇ ਖੋਲ੍ਹਣ ਦੇ ਨਿਯਮਾਂ ਨੂੰ ਵੀ ਸਖ਼ਤ ਕਰ ਰਹੇ ਹਨ, ਜਿਸ ਵਿੱਚ ਕੁੱਲ ਕ੍ਰੈਡਿਟ ਸੀਮਤ ਕਰਨਾ ਅਤੇ ਨੋ ਯੂਅਰ ਕਸਟਮਰ (KYC) ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਮਜ਼ਬੂਤ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ। ਨਾਲ ਹੀ, ਦੂਰਸੰਚਾਰ ਵਿਭਾਗ (DoT) ਨੇ ਨਵੇਂ ਸਿਮ ਕਾਰਡਾਂ ਲਈ ਆਧਾਰ ਪ੍ਰਮਾਣਿਕਤਾ ਨੂੰ ਲਾਜ਼ਮੀ ਕਰ ਦਿੱਤਾ ਹੈ, ਇਹ ਕਦਮ ਸਾਈਬਰ ਅਪਰਾਧੀਆਂ ਦੁਆਰਾ ਧੋਖਾਧੜੀ ਵਾਲੀਆਂ ਗਤੀਵਿਧੀਆਂ ਲਈ ਮੋਬਾਈਲ ਨੰਬਰ ਰਜਿਸਟਰ ਕਰਨ ਲਈ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਆਮ ਲੂਪਹੋਲ ਨੂੰ ਬੰਦ ਕਰਨ ਦੇ ਇਰਾਦੇ ਨਾਲ ਚੁੱਕਿਆ ਗਿਆ ਹੈ।
'MuleHunter' ਦਾ ਬੈਂਕਾਂ 'ਤੇ ਅਸਰ
ਭਾਰਤੀ ਬੈਂਕਾਂ ਲਈ, ਸਾਈਬਰ ਕ੍ਰਾਈਮ ਦੀ ਮੁੱਖ ਚੁਣੌਤੀ ਸਿਰਫ ਫੰਡਾਂ ਦਾ ਨੁਕਸਾਨ ਹੀ ਨਹੀਂ, ਬਲਕਿ ਵਧਦੀ ਹੋਈ ਕੰਪਲਾਇੰਸ ਲਾਗਤ ਅਤੇ ਸੰਸਥਾਗਤ ਭਰੋਸੇ ਨੂੰ ਨੁਕਸਾਨ ਪਹੁੰਚਣਾ ਹੈ। ਬੈਂਕ ਇਸ ਵੇਲੇ ਐਂਟੀ-ਮਨੀ ਲਾਂਡਰਿੰਗ (AML) ਅਤੇ ਫਰਾਡ ਡਿਟੈਕਸ਼ਨ ਟੀਮਾਂ 'ਤੇ ਭਾਰੀ ਖਰਚ ਕਰਦੇ ਹਨ। MuleHunter.ai ਵਰਗਾ ਆਟੋਮੇਟਿਡ ਸਿਸਟਮ ਮਨੁੱਖੀ ਟੀਮਾਂ ਨਾਲੋਂ ਤੇਜ਼ੀ ਨਾਲ ਗੈਰ-ਕਾਨੂੰਨੀ ਪੈਟਰਨਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਵਿੱਚ ਬੈਂਕਾਂ ਦੀ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਸਮਝੌਤਾ ਕੀਤੇ ਗਏ ਖਾਤਿਆਂ ਨੂੰ ਬਲੌਕ ਕਰਨ ਵਿੱਚ ਲੱਗਣ ਵਾਲਾ ਸਮਾਂ ਘੱਟ ਹੋ ਸਕਦਾ ਹੈ।
ਹਾਲਾਂਕਿ, ਨਿਵੇਸ਼ਕਾਂ ਨੂੰ ਇਹ ਨੋਟ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਇਹ ਟੈਕਨਾਲੋਜੀ ਇੱਕ ਨਵੀਂ ਓਪਰੇਸ਼ਨਲ ਲਾਗਤ ਦਾ ਪ੍ਰਤੀਕ ਹੈ। ਜਦੋਂ ਕਿ ਇਸਦਾ ਉਦੇਸ਼ ਧੋਖਾਧੜੀ ਨੂੰ ਰੋਕਣਾ ਹੈ, ਬੈਂਕਾਂ ਨੂੰ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਹੋਵੇਗਾ ਕਿ AI ਸਿਸਟਮ ਨੂੰ ਜਾਇਜ਼ ਗਾਹਕ ਲੈਣ-ਦੇਣ ਨੂੰ ਫਲੈਗ ਕਰਨ ਤੋਂ ਬਚਣ ਲਈ ਫਾਈਨ-ਟਿਊਨ ਕੀਤਾ ਗਿਆ ਹੈ, ਜੋ ਕਿ ਹੋਰਨਾਂ ਸਥਿਤੀਆਂ ਵਿੱਚ ਗਾਹਕਾਂ ਦੀ ਨਾਰਾਜ਼ਗੀ ਜਾਂ ਅਸਥਾਈ ਖਾਤੇ ਫ੍ਰੀਜ਼ ਦਾ ਕਾਰਨ ਬਣ ਸਕਦਾ ਹੈ।
ਕੰਪਲਾਇੰਸ ਅਤੇ ਫਰਾਡ ਦੀ ਲਾਗਤ
ਸਾਈਬਰ ਫਰਾਡ ਸੰਭਾਵੀ ਰੈਗੂਲੇਟਰੀ ਜੁਰਮਾਨੇ, ਰੈਮੇਡੀਏਸ਼ਨ ਲਾਗਤਾਂ ਅਤੇ ਪੀੜਤਾਂ ਨੂੰ ਮੁਆਵਜ਼ਾ ਦੇਣ ਦੀ ਲੋੜ ਰਾਹੀਂ ਬੈਂਕ ਦੇ ਮੁਨਾਫੇ 'ਤੇ ਸਿੱਧਾ ਖਤਰਾ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਜਦੋਂ ਕਿਸੇ ਬੈਂਕ ਦੇ ਸਿਸਟਮ ਦੀ ਮਨੀ ਲਾਂਡਰਿੰਗ ਲਈ ਭਾਰੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਇਹ RBI ਵਰਗੇ ਰੈਗੂਲੇਟਰਾਂ ਤੋਂ ਸਖ਼ਤ ਜਾਂਚ ਨੂੰ ਆਕਰਸ਼ਿਤ ਕਰ ਸਕਦਾ ਹੈ, ਜਿਸ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਕਈ ਵਾਰ ਓਪਰੇਸ਼ਨਲ ਪਾਬੰਦੀਆਂ ਲੱਗ ਸਕਦੀਆਂ ਹਨ।
ਇੰਡੀਅਨ ਸਾਈਬਰ ਕ੍ਰਾਈਮ ਕੋਆਰਡੀਨੇਸ਼ਨ ਸੈਂਟਰ (I4C) ਅਤੇ ਰਿਜ਼ਰਵ ਬੈਂਕ ਇਨੋਵੇਸ਼ਨ ਹੱਬ (RBIH) ਤੋਂ ਇੰਟੈਲੀਜੈਂਸ ਸ਼ੇਅਰਿੰਗ ਲਈ ਲਾਭ ਉਠਾ ਕੇ, ਬੈਂਕਿੰਗ ਸਿਸਟਮ ਇੱਕ ਵਧੇਰੇ ਸਹਿਯੋਗੀ ਰੱਖਿਆ ਵੱਲ ਵਧ ਰਿਹਾ ਹੈ। ਜੇਕਰ ਇਹ AI-ਡਰਾਈਵਨ ਪਹੁੰਚ ਸਫਲਤਾਪੂਰਵਕ ਧੋਖਾਧੜੀ ਵਾਲੇ ਲੈਣ-ਦੇਣ ਦੀ ਗਿਣਤੀ ਘਟਾਉਂਦੀ ਹੈ, ਤਾਂ ਇਹ ਸਾਈਬਰ-ਸੰਬੰਧੀ ਵਿਵਾਦਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਅਤੇ ਸਮੁੱਚੀ ਓਪਰੇਸ਼ਨਲ ਕੁਸ਼ਲਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰਨ 'ਤੇ ਬੈਂਕਾਂ 'ਤੇ ਲੰਬੇ ਸਮੇਂ ਦੇ ਬੋਝ ਨੂੰ ਘੱਟ ਕਰ ਸਕਦਾ ਹੈ।
ਨਿਵੇਸ਼ਕਾਂ ਨੂੰ ਕੀ ਨਜ਼ਰ ਰੱਖਣੀ ਚਾਹੀਦੀ ਹੈ?
ਇਹਨਾਂ ਉਪਾਵਾਂ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਇਸ ਗੱਲ 'ਤੇ ਨਿਰਭਰ ਕਰੇਗੀ ਕਿ AI ਸਿਸਟਮ ਧੋਖਾਧੜੀ ਦੀਆਂ ਵਿਕਸਿਤ ਹੋ ਰਹੀਆਂ ਰਣਨੀਤੀਆਂ ਨੂੰ ਕਿੰਨੀ ਤੇਜ਼ੀ ਅਤੇ ਸਹੀ ਢੰਗ ਨਾਲ ਅਨੁਕੂਲ ਬਣਾਉਂਦਾ ਹੈ। ਨਿਵੇਸ਼ਕ ਹੇਠ ਲਿਖਿਆਂ 'ਤੇ ਅਪਡੇਟ ਦੀ ਭਾਲ ਕਰ ਸਕਦੇ ਹਨ:
- ਸ਼ੁਰੂਆਤੀ 26 ਬੈਂਕਾਂ ਤੋਂ ਪਰੇ ਵਿਆਪਕ ਬੈਂਕਿੰਗ ਸੈਕਟਰ ਵਿੱਚ ਲਾਗੂ ਕਰਨ ਦੀ ਪ੍ਰਗਤੀ।
- ਕੰਪਲਾਇੰਸ ਲਾਗਤਾਂ ਬਨਾਮ ਧੋਖਾਧੜੀ-ਸੰਬੰਧੀ ਨੁਕਸਾਨਾਂ ਵਿੱਚ ਕਮੀ ਦੇ ਸੰਬੰਧ ਵਿੱਚ ਪ੍ਰਬੰਧਨ ਟਿੱਪਣੀ।
- ਗਾਹਕ ਓਨ-ਬੋਰਡਿੰਗ ਦੀ ਗਤੀ 'ਤੇ ਕੋਈ ਵੀ ਪ੍ਰਭਾਵ, ਕਿਉਂਕਿ ਸਖ਼ਤ KYC ਅਤੇ ਟ੍ਰਾਂਜੈਕਸ਼ਨ ਨਿਗਰਾਨੀ ਕਈ ਵਾਰ ਖਾਤਾ ਖੋਲ੍ਹਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਕੁਝ ਰਗੜ ਪੈਦਾ ਕਰ ਸਕਦੀ ਹੈ।
- ਭਵਿੱਖ ਦੇ ਰੈਗੂਲੇਟਰੀ ਆਡਿਟ ਜੋ ਇਹ ਹਾਈਲਾਈਟ ਕਰ ਸਕਦੇ ਹਨ ਕਿ ਕੀ ਇਹਨਾਂ ਸਿਸਟਮਾਂ ਨੇ ਸੈਕਟਰ ਦੇ ਅੰਦਰ ਮੂਲ ਖਾਤਿਆਂ ਦੀ ਘਟਨਾ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਘਟਾਇਆ ਹੈ।