هوش مصنوعی کلاهبرداری مالی را دگرگون کرده است؛ بانک‌ها چگونه باید آماده مقابله شوند؟

در بریتانیا، خسارت‌های ناشی از کلاهبرداری به ۱٫۳ میلیارد پوند رسیده است؛ آماری که از مقیاس روزافزون این بحران خبر می‌دهد. یکی از عوامل اصلی این رشد نگران‌کننده، گسترش استفاده از فناوری‌هایی هم‌چون هوش مصنوعی است؛ ابزاری که اکنون به سلاحی خطرناک و کارآمد در دستان نسل جدید مجرمان تبدیل شده است.

شبکه‌های تبهکاری همگام با پیشرفت فناوری، عملیات‌های خود را با سرعت و پیچیدگی بسیار بالاتری اجرا می‌کنند. در این میان، موسسات مالی با چالش انطباق با عصر جدیدی از امنیت سایبری و پیش‌گیری از کلاهبرداری روبه‌رو هستند؛ عصری که در آن باید با همان قدرتی از سیستم‌ها و اعتماد مشتریان دفاع کنند که در حال حاضر این اعتماد را تهدید می‌کند.

بازآفرینی جرایم سایبری با قدرت هوش مصنوعی

کلاهبرداران در حال حاضر از فناوری‌های پیشرفته، از جمله هوش مصنوعی مولد، برای صنعتی‌سازی و اجرای گسترده مهندسی اجتماعی استفاده می‌کنند. از آنجا که هزینه نهایی اجرای حملات پیچیده تقریباً به صفر رسیده است، شبکه‌های تبهکاری دستخوش دگرگونی ساختاری چشمگیری در شیوه فعالیت خود شده‌اند. مهارت‌هایی که پیش‌تر منحصراً در اختیار تعداد انگشت‌شماری از گروه‌های فوق‌تخصصی جرایم سایبری بود، اکنون به ابزارهایی عمومی و دردسترس برای همه تبدیل شده است.

هوش مصنوعی مولد و ابزارهای ساخت هویت‌های مصنوعی اکنون می‌توانند هویت‌های ترکیبی خلق کنند؛ هویت‌هایی که آزمون‌های احراز هویت مشتری (KYC) را به‌راحتی پشت سر می‌گذارند، سابقه اعتباری باورپذیری می‌سازند و ماه‌ها پیش از اجرای عملیات کلاهبرداری، بدون شناسایی به فعالیت ادامه می‌دهند. از سوی دیگر، کلاهبرداری‌های تأیید تراکنش با تکیه بر دیپ‌فیک، صداها و ویدیوهایی چنان متقاعدکننده تولید می‌کنند که انسان‌ها را فریب داده و آن‌ها را به تأیید تراکنش‌ها یا ارسال اطلاعات دسترسی وادار می‌سازند.

تمام این نمونه‌ها الگوی مشترکی را آشکار می‌کنند: آن‌ها مستقیماً لایه اعتماد را هدف می‌گیرند، یعنی همان نقطه‌ای که یک سیستم یا انسان درباره قانونی بودن یک اقدام تصمیم‌گیری می‌کند. حتی با وجود مدل‌های فوق‌العاده پیچیده، تاکتیک‌های نفوذ ساختار سیستم و مراحل بعدی عملیات را نشانه می‌روند. هوش مصنوعی حالا می‌تواند با سرعت و کیفیتی اعتماد جعلی تولید کند که پیش از این هرگز ممکن نبود.

چرا راهکارهای امنیتی سنتی شکست می‌خورند؟

این فناوری‌ها در حال حاضر دست بالا را دارند، زیرا پیش از حمله به سامانه‌های بانکی، مشتریان را فریب می‌دهند و مغلوب می‌کنند. کلاهبرداران با بهره‌گیری از هوش مصنوعی، تماس‌های کلاهبرداری باورپذیرتر، جعل هویت واقعی‌تر و مهندسی اجتماعی کاملاً شخصی‌سازی‌شده اجرا می‌کنند و تردید غریزی کاربران را که پیش‌تر سد دفاعی آن‌ها بود، از میان می‌برند. در نتیجه، درخواست کلاهبرداری کاملاً قانونی و موجه وارد سامانه‌های بانک می‌شود؛ چراکه از نظر فنی و تراکنشی، خود کاربر دستور انتقال را صادر کرده است.

میدان اصلی نبرد امروز دقیقاً در همین نقطه شکل گرفته است. با ادامه سرمایه‌گذاری بانک‌ها در سامانه‌های شناسایی مبتنی بر هوش مصنوعی و سخت‌تر شدن سوءاستفاده انبوه از کاربران، انگیزه مهاجمان برای حمله مستقیم به زیرساخت‌ها و سیستم‌های خود بانک به‌شدت افزایش خواهد یافت.

ما اکنون در یک دوره گذار به سر می‌بریم؛ مرحله‌ای که در آن فناوری به کلاهبرداران کمک می‌کند تا انسان‌ها را فریب دهند. اما این وضعیت می‌تواند به سمتی پیش برود که عوامل هوش مصنوعی مستقیماً زیرساخت‌های موسسات مالی را هدف قرار دهند و آن‌ها را ارزیابی کنند. بخش مالی و بانکداری باید از همین حالا خود را برای مرحله دوم آماده سازد.

در برابر دشمنی که به‌طور مداوم سیستم را ارزیابی می‌کند، سازگار می‌شود و حملات خود را بهبود می‌بخشد، ماهیت ایستا و خشک ابزارهای امنیتی سنتی دیگر پاسخگو نیست. در حوزه کلاهبرداری‌های مالی و امنیت سایبری، حملات هدایت‌شده با هوش مصنوعی صرفاً ابزارهای کنترلی را دور نمی‌زنند، بلکه در حال نقشه‌برداری دقیق از آن‌ها هستند. این ابزارها طوری عمل می‌کنند که گویی هندسه و ساختار سیستم شناسایی را به‌خوبی می‌فهمند و آگاهانه خارج از مرزهای قابل ردگیری آن مانور می‌دهند.

هم‌افزایی میان نیروی انسانی و فناوری

در بانک‌ها و نهادهای مالی، تیم‌های پیش‌گیری از کلاهبرداری برای همگام شدن با تحولات مداوم فناوری به دردسر افتاده‌اند؛ علت اصلی آن است که آموزش این تیم‌ها همواره بر مبنای واکنش به حوادث گذشته شکل گرفته است: اگر رخدادی پیش بیاید، آن را شناسایی می‌کنند، پاسخ می‌دهند و پرونده را می‌بندند.

تیم‌هایی که بیشترین پیشرفت را در این مسیر رقم زده‌اند، فرایند کشف تقلب را به‌جای یک وظیفه صرفاً عملیاتی، نوعی فرایند پژوهشی و تحقیقاتی در نظر می‌گیرند. آن‌ها تغییرات رفتاری را زیر نظر می‌گیرند؛ نشانه‌هایی که مشخص می‌کند حمله‌کنندگان در حال آزمایش سیستم و محک زدن نقاط ضعف هستند. این رویکرد تحلیلی متفاوت، در نهایت به‌جای واکنش انفعالی پس از وقوع جرم، به پیش‌گیری موثر از آن منجر می‌شود.

متخصصانی که طی پنج سال آینده نقشی حیاتی در این حوزه ایفا خواهند کرد، کسانی هستند که می‌توانند درباره کلیت سیستم‌ها تحلیل و استدلال کنند، نه آنکه صرفاً اپراتور ابزارها باشند. سازمان‌ها باید از مهارت کار با ابزارهای خاص عبور کنند و به سوی درک اصول بنیادینی بروند که کارکرد این ابزارها بر آن‌ها استوار است. اصولی مانند استدلال آماری، تفکر تقابلی، طراحی سامانه‌ها و تحلیل حلقه‌های بازخورد، در گذر زمان انباشته می‌شوند و صرف‌نظر از تغییرات پشته فناوری، همواره ارزش راهبردی خود را حفظ می‌کنند.

همه سازمان‌ها امکانات لازم را برای فعالیت به این شیوه در اختیار ندارند. هرچند استخدام نیروی متخصص راه‌حلی بدیهی به نظر می‌رسد، واقعیت این است که به لطف پیشرفت‌های چشمگیر و فراگیری فناوری، امروزه ابزارهای پیشرفته هوش مصنوعی در دسترس قرار دارند که می‌توان آن‌ها را به‌سادگی با زیرساخت‌ها و فرایندهای موجود پیوند زد.

مسیر پیش‌رو سرمایه‌گذاری روی راهکارهای شرکت‌های ارائه‌دهنده‌ای است که دسترسی و پیاده‌سازی این ابزارها را تسهیل می‌کنند؛ ابزارهایی که تحلیل‌های آماری، قابلیت استدلال و شفافیت و توجیه‌پذیری کامل را یکجا در بر دارند.

به‌کارگیری فناوری‌های نوین بدون افزایش مخاطرات امنیتی

امروزه برای راه‌اندازی یک حمله با پیچیدگی فنی بالا، دیگر نیازی به تخصص فنی عمیق نیست؛ همین عمومی‌سازی توانمندی‌ها است که موج بعدی حملات را کاملاً متفاوت می‌کند. پرسش اصلی کارشناسان امنیتی اکنون دیگر کارآمدی فناوری‌های جدید نیست، بلکه این است که چگونه می‌توان از نسل جدید این قابلیت‌ها بهره گرفت تا از حملات خودکار و رو به رشد پیشی گرفت.

مهم‌ترین اصل، در نظر گرفتن سیستم‌ها به‌عنوان اهداف بالقوه نفوذ از همان روز نخست است، نه اینکه پس از بهره‌برداری عملیاتی به فکر امنیت بیفتید. هر مدلی که پیاده‌سازی می‌کنید فرضیاتی در خود دارد و مهاجمان این فرضیات را به شکلی نظام‌مند ارزیابی و آزمایش خواهند کرد. اگر خودتان پیش‌دستی نکنید و این فرضیات را به چالش نکشید، در عمل ارزیابی امنیتی سیستم را به افرادی با اهدافی کاملاً مخرب واگذار کرده‌اید.

سیستم‌های دفاعی مبتنی بر هوش مصنوعی برای کارآمدی باید ظرف چند میلی‌ثانیه عمل کنند؛ یعنی با سرعتی عمل نمایند که ریسک‌ها را بدون ایجاد اختلال در تجربه کاربری مشتری شناسایی کنند. در این رویکرد، هر تراکنش به‌صورت لحظه‌ای ارزیابی می‌شود و با تحلیل صدها شاخص و مقایسه آن‌ها با الگوهای پیشین، هرگونه نشانه از فعالیت غیرعادی بلافاصله آشکار می‌گردد.