RBI ਦਾ ਫਰਾਡ 'ਤੇ ਵੱਡਾ ਐਕਸ਼ਨ: ਭਾਰਤੀ ਬੈਂਕਾਂ ਨੂੰ AI ਨਾਲ ਲੱਭਣੇ ਪੈਣਗੇ 'ਮੁਲੇ ਅਕਾਊਂਟ', ਸਾਈਬਰ ਸੁਰੱਖਿਆ ਹੋਵੇਗੀ ਮਜ਼ਬੂਤ

ਬੈਂਕਾਂ ਨੂੰ 'ਮੁਲੇ ਅਕਾਊਂਟਸ' ਖਿਲਾਫ AI ਵਰਤਣ ਦਾ ਹੁਕਮ

ਭਾਰਤ ਦਾ ਵਿੱਤੀ ਸੈਕਟਰ ਡਿਜੀਟਲ ਸੁਰੱਖਿਆ ਨੂੰ ਮਜ਼ਬੂਤ ਕਰਨ ਲਈ ਇੱਕ ਵੱਡਾ, ਪਰ ਗੁੰਝਲਦਾਰ ਕਦਮ ਚੁੱਕ ਰਿਹਾ ਹੈ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਨੂੰ ਫਰਾਡ ਰੋਕਥਾਮ ਲਈ ਵਰਤਣ ਦਾ ਇਹ ਨਿਰਦੇਸ਼, ਜੋ ਕਿ RBI ਦੇ ਸਕੱਤਰ M. Nagaraju ਵੱਲੋਂ ਬੈਂਕਾਂ ਨੂੰ ਦਿੱਤਾ ਗਿਆ ਹੈ, ਵਿੱਤੀ ਸਾਈਬਰ ਅਪਰਾਧਾਂ ਦੇ ਵਧਦੇ ਜਾਲ ਅਤੇ ਉਨ੍ਹਾਂ ਨਾਲ ਲੜਨ ਲਈ ਟੈਕਨਾਲੋਜੀ ਦੀ ਵੱਧਦੀ ਲੋੜ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਇਹ ਹੁਕਮ ਸਿਰਫ ਨਵਾਂ ਸੌਫਟਵੇਅਰ ਖਰੀਦਣ ਤੋਂ ਕਿਤੇ ਵੱਧ ਹੈ; ਇਹ ਵਧਦੇ ਜੋਖਮ ਭਰੇ ਡਿਜੀਟਲ ਮਾਹੌਲ ਵਿੱਚ ਵਿੱਤੀ ਸੰਸਥਾਵਾਂ ਦੇ ਕੰਮ ਕਰਨ ਦੇ ਤਰੀਕੇ ਅਤੇ ਸਰੋਤਾਂ ਦੀ ਵੰਡ ਵਿੱਚ ਇੱਕ ਵੱਡਾ ਬਦਲਾਅ ਦਰਸਾਉਂਦਾ ਹੈ।

'ਮੁਲੇ ਅਕਾਊਂਟਸ' 'ਤੇ ਕੇਂਦਰਿਤ ਹੋਣਾ, ਜੋ ਕਿ ਵਿੱਤੀ ਸਾਈਬਰ ਫਰਾਡ ਲਈ ਮੁੱਖ ਚੈਨਲ ਹਨ, ਨੇ ਮਜ਼ਬੂਤ ਰੈਗੂਲੇਟਰੀ ਕਾਰਵਾਈ ਨੂੰ ਜਨਮ ਦਿੱਤਾ ਹੈ। MuleHunter AI ਨੂੰ ਇਨ੍ਹਾਂ ਗੈਰ-ਕਾਨੂੰਨੀ ਅਕਾਊਂਟਸ ਦੀ ਜਲਦ ਪਛਾਣ ਕਰਨ ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਰੋਕਣ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ, ਤਾਂ ਜੋ ਫਰਾਡ ਦੇ ਪੈਸੇ ਨੂੰ ਵੱਡਾ ਨੁਕਸਾਨ ਪਹੁੰਚਾਉਣ ਤੋਂ ਰੋਕਿਆ ਜਾ ਸਕੇ। ਹਾਲਾਂਕਿ, ਐਡਵਾਂਸਡ AI ਟੂਲਜ਼ ਨੂੰ ਅਪਣਾਉਣ ਲਈ ਬੈਂਕਾਂ ਵੱਲੋਂ ਵੱਡੇ ਨਿਵੇਸ਼ ਦੀ ਲੋੜ ਪਵੇਗੀ, ਨਾ ਸਿਰਫ਼ ਟੈਕਨਾਲੋਜੀ ਲਈ, ਸਗੋਂ ਡਾਟਾ ਸਿਸਟਮਾਂ ਨੂੰ ਅਪਗ੍ਰੇਡ ਕਰਨ, ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਅਤੇ ਸਟਾਫ ਦੀ ਟ੍ਰੇਨਿੰਗ ਲਈ ਵੀ। ਇਹ ਦੂਰਅੰਦੇਸ਼ੀ ਨਿਯਮ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਬੈਂਕਾਂ ਨੂੰ ਆਪਣੇ ਕੰਮਕਾਜ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਬਦਲਾਅ ਕਰਨੇ ਪੈਣਗੇ, ਜਿਸ ਵਿੱਚ ਸਾਈਬਰਸੁਰੱਖਿਆ ਇੱਕ ਪ੍ਰਮੁੱਖ ਰਣਨੀਤਕ ਤਰਜੀਹ ਬਣ ਜਾਵੇਗੀ।

ਫਰਾਡ ਡਿਟੈਕਸ਼ਨ ਵਿੱਚ AI ਦਾ ਗਲੋਬਲ ਇਸਤੇਮਾਲ

ਦੁਨੀਆ ਭਰ ਵਿੱਚ, ਵਿੱਤੀ ਸੰਸਥਾਵਾਂ ਫਰਾਡ ਦਾ ਪਤਾ ਲਗਾਉਣ ਲਈ AI ਦੀ ਵਰਤੋਂ ਵਧਾ ਰਹੀਆਂ ਹਨ, ਅਤੇ ਅਧਿਐਨਾਂ ਤੋਂ ਘੱਟ ਹੋਏ ਨੁਕਸਾਨ ਅਤੇ ਬਿਹਤਰ ਕੰਪਲਾਇੰਸ ਦੁਆਰਾ ਮਹੱਤਵਪੂਰਨ ਲਾਭ ਦਿਖਾਏ ਗਏ ਹਨ। ਮੁਲੇ ਅਕਾਊਂਟਸ ਮਨੀ ਲਾਂਡਰਿੰਗ ਅਤੇ ਫਰਾਡ ਕਰਨ ਦਾ ਇੱਕ ਵਧਦਾ ਹੋਇਆ ਤਰੀਕਾ ਬਣ ਗਏ ਹਨ, ਜਿਸ ਨਾਲ ਦੁਨੀਆ ਨੂੰ ਹਰ ਸਾਲ ਅਰਬਾਂ ਡਾਲਰਾਂ ਦਾ ਨੁਕਸਾਨ ਹੋ ਰਿਹਾ ਹੈ। ਇਹ ਰੁਝਾਨ ਵਧੇਰੇ ਸੂਝਬੂਝ ਵਾਲੇ ਅਪਰਾਧਿਕ ਸਮੂਹਾਂ ਵੱਲ ਇਸ਼ਾਰਾ ਕਰਦਾ ਹੈ। ਹੈਦਰਾਬਾਦ ਪੁਲਿਸ ਦੇ 'Operation Octopus' ਵਰਗੀਆਂ ਪਹਿਲਕਦਮੀਆਂ ਨੇ ਦਿਖਾਇਆ ਹੈ ਕਿ ਟੈਕ-ਲੈੱਡ, ਸਾਂਝੇ ਯਤਨ ਇਨ੍ਹਾਂ ਅਪਰਾਧਿਕ ਕਾਰਵਾਈਆਂ ਨੂੰ ਕਿਵੇਂ ਭੰਗ ਕਰ ਸਕਦੇ ਹਨ। ਦੁਨੀਆ ਭਰ ਦੇ ਕੇਂਦਰੀ ਬੈਂਕ AI ਦੀ ਵਰਤੋਂ ਨੂੰ ਕੰਪਲਾਇੰਸ ਅਤੇ ਸੁਰੱਖਿਆ ਲਈ ਉਤਸ਼ਾਹਿਤ ਕਰ ਰਹੇ ਹਨ, ਜਦੋਂ ਕਿ ਡਾਟਾ ਹੈਂਡਲਿੰਗ ਅਤੇ ਨਿਰਪੱਖ AI ਵਰਤੋਂ ਲਈ ਸਖ਼ਤ ਨਿਯਮ ਵੀ ਨਿਰਧਾਰਤ ਕਰ ਰਹੇ ਹਨ। ਬੈਂਕਾਂ ਤੋਂ ਇਹ ਮਜ਼ਬੂਤ AI ਸਿਸਟਮਾਂ ਲਈ ਭੁਗਤਾਨ ਕਰਨ ਦੀ ਉਮੀਦ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।

ਫਰਾਡ ਡਿਟੈਕਸ਼ਨ ਵਿੱਚ AI ਦੇ ਚੁਣੌਤੀਆਂ ਅਤੇ ਜੋਖਮ

AI ਦੇ ਵਾਅਦੇ ਦੇ ਬਾਵਜੂਦ, ਫਰਾਡ ਡਿਟੈਕਸ਼ਨ ਵਿੱਚ ਇਸਦੇ ਵਿਆਪਕ ਉਪਯੋਗ ਨਾਲ ਜੁੜੇ ਅੰਦਰੂਨੀ ਜੋਖਮ ਹਨ। MuleHunter AI ਵਰਗੇ ਟੂਲਜ਼ ਦੀ ਸਫਲਤਾ ਇਸ ਗੱਲ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ ਕਿ ਉਹ ਫਰਾਡ ਦੀਆਂ ਵਿਕਸਿਤ ਹੁੰਦੀਆਂ ਰਣਨੀਤੀਆਂ ਦੇ ਮੁਕਾਬਲੇ ਕਿੰਨੀ ਜਲਦੀ ਬਦਲ ਸਕਦੇ ਹਨ, ਇੱਕ ਅਜਿਹੀ ਪ੍ਰਕਿਰਿਆ ਜਿਸ ਲਈ ਮਹੱਤਵਪੂਰਨ ਸਰੋਤਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਜੋਖਮਾਂ ਵਿੱਚ AI ਨੂੰ ਨਿਸ਼ਾਨਾ ਬਣਾਉਣ ਵਾਲੇ ਸਾਈਬਰ ਹਮਲੇ, ਪੱਖਪਾਤੀ ਡਾਟਾ ਕਾਰਨ ਗਲਤ ਨਤੀਜੇ (false positives or negatives), ਅਤੇ ਪੁਰਾਣੀਆਂ ਕੰਪਿਊਟਰ ਪ੍ਰਣਾਲੀਆਂ ਨਾਲ AI ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰਨ ਵਿੱਚ ਮੁਸ਼ਕਲ ਸ਼ਾਮਲ ਹੈ। ਇਹ ਵੱਡੀਆਂ ਸੰਚਾਲਨ ਸਮੱਸਿਆਵਾਂ ਪੈਦਾ ਕਰਦੇ ਹਨ। ਬਹੁਤ ਸਾਰੇ ਬੈਂਕਾਂ ਲਈ, ਉੱਚ ਸ਼ੁਰੂਆਤੀ ਲਾਗਤਾਂ, ਅਤੇ ਇਸ ਤੋਂ ਇਲਾਵਾ ਰੱਖ-ਰਖਾਅ ਅਤੇ ਮੁੜ-ਟ੍ਰੇਨਿੰਗ ਦੇ ਖਰਚੇ, ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਵਿੱਤੀ ਬੋਝ ਬਣ ਸਕਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਵੱਡੇ ਬੈਂਕਾਂ ਦੀ ਤੁਲਨਾ ਵਿੱਚ ਛੋਟੇ ਬੈਂਕਾਂ ਲਈ ਮੁਕਾਬਲਾ ਕਰਨਾ ਔਖਾ ਹੋ ਜਾਂਦਾ ਹੈ। ਮਨੁੱਖੀ ਜਾਂਚਾਂ ਤੋਂ ਬਿਨਾਂ AI 'ਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਨਿਰਭਰਤਾ ਨਵੇਂ ਕਮਜ਼ੋਰ ਪੁਆਇੰਟ ਬਣਾ ਸਕਦੀ ਹੈ, ਅਤੇ ਇਹਨਾਂ ਟੂਲਜ਼ ਦੀ ਉੱਨਤ ਪ੍ਰਕਿਰਤੀ ਵਧੇਰੇ ਸੂਝਵਾਨ ਅਪਰਾਧਿਕ ਰਣਨੀਤੀਆਂ ਨੂੰ ਆਕਰਸ਼ਿਤ ਕਰ ਸਕਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਇੱਕ ਮਹਿੰਗੀ ਲਗਾਤਾਰ ਲੜਾਈ ਹੋ ਸਕਦੀ ਹੈ।

ਅੱਗੇ ਦਾ ਰਾਹ

ਫਰਾਡ ਰੋਕਥਾਮ ਲਈ AI ਦੀ ਵਰਤੋਂ ਦਾ ਇਹ ਯੋਜਨਾਬੱਧ ਯਤਨ ਵਿੱਤੀ ਸੇਵਾਵਾਂ ਉਦਯੋਗ ਵਿੱਚ ਸਾਈਬਰਸੁਰੱਖਿਆ ਖਰਚਿਆਂ ਵਿੱਚ ਨਿਰੰਤਰ ਵਾਧਾ ਦਰਸਾਉਂਦਾ ਹੈ। ਮਾਹਰਾਂ ਨੂੰ ਉਮੀਦ ਹੈ ਕਿ ਬਿਹਤਰ AI ਏਕੀਕਰਨ ਅਤੇ ਸੁਰੱਖਿਆ ਵਾਲੇ ਬੈਂਕਾਂ ਨੂੰ ਲਾਭ ਮਿਲੇਗਾ। ਹਾਲਾਂਕਿ, ਇਹਨਾਂ ਤਕਨੀਕੀ ਹੱਲਾਂ ਦੀ ਲੰਬੇ ਸਮੇਂ ਤੱਕ ਕਿੰਨੀ ਚੰਗੀ ਤਰ੍ਹਾਂ ਕੰਮ ਕਰਨਗੇ, ਇਹ ਲਗਾਤਾਰ ਨਿਵੇਸ਼ ਅਤੇ ਸਰਕਾਰ ਅਤੇ ਨਿੱਜੀ ਫਰਮਾਂ ਵਿਚਕਾਰ ਸਹਿਯੋਗ 'ਤੇ ਨਿਰਭਰ ਕਰੇਗਾ, ਨਾਲ ਹੀ ਉੱਨਤ ਅਪਰਾਧੀਆਂ ਨਾਲ ਤਾਲਮੇਲ ਬਣਾਈ ਰੱਖਣ ਦੀ ਸਮਰੱਥਾ 'ਤੇ ਵੀ। MuleHunter AI ਵਰਗੇ ਟੂਲਜ਼ ਲਈ RBI ਦਾ ਇਹ ਫਤਵਾ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਭਵਿੱਖ ਦੀ ਵਿੱਤੀ ਸੁਰੱਖਿਆ ਭਾਰੀ ਤੌਰ 'ਤੇ ਉੱਨਤ ਟੈਕਨਾਲੋਜੀ ਅਤੇ ਨਿਰੰਤਰ ਰੱਖਿਆ ਯਤਨਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ।