डिजिटल व्यवहारांचा वाढता वापर, ऑनलाइन खरेदी आणि कार्ड-नॉट-प्रेझेंट व्यवहारांमध्ये झालेली वाढ यामुळे क्रेडिट कार्ड फसवणुकीचा धोका वाढत आहे. फसवणुकीचे प्रकार अधिक वेगवान आणि गुंतागुंतीचे होत असताना पारंपरिक नियम-आधारित प्रणालींना त्याचा सामना करणे आव्हानात्मक ठरत आहे. या पार्श्वभूमीवर कृत्रिम बुद्धिमत्ता (AI) आधारित फसवणूक शोध प्रणाली बँका आणि पतसंस्थांसाठी महत्त्वाचे सुरक्षा साधन ठरू शकते.
जागतिक स्तरावर २०२४ मध्ये पेमेंट कार्ड फसवणुकीमुळे सुमारे ३३.४१ अब्ज डॉलरचे नुकसान झाल्याचा अंदाज आहे. २०३० पर्यंत हे नुकसान ४१.०६ अब्ज डॉलर, तर २०३४ पर्यंत ४८.५० अब्ज डॉलरपर्यंत पोहोचण्याची शक्यता व्यक्त करण्यात आली आहे. डिजिटल व्यवहार वाढत असल्याने फसवणूक करणाऱ्यांना प्रत्यक्ष कार्डाशिवाय व्यवहार करण्याच्या अधिक संधी उपलब्ध होत आहेत.
फसवणुकीचे स्वरूपही बदलले आहे. चोरीची किंवा क्लोन केलेली कार्डे वापरण्याबरोबरच आता बनावट ओळख निर्माण करणे, खाते हडपणे, फिशिंग, सोशल इंजिनिअरिंग आणि चोरी झालेल्या कार्ड डेटाचा गैरवापर यांसारख्या प्रकारांमध्ये वाढ होत आहे. AI आणि ऑटोमेशनमुळे फसवणूक करणाऱ्यांना मोठ्या प्रमाणावर हल्ले करण्याची क्षमता मिळत असल्याने वित्तीय संस्थांसमोरील आव्हान वाढले आहे.
सध्या अनेक बँका संशयास्पद व्यवहार शोधण्यासाठी पूर्वनिश्चित नियम आणि सांख्यिकीय मॉडेल्सचा वापर करतात. ठरावीक रकमेपेक्षा जास्त व्यवहार, असामान्य ठिकाणाहून होणारी खरेदी किंवा ग्राहकाच्या नेहमीच्या व्यवहार पद्धतीपेक्षा वेगळा व्यवहार आढळल्यास तो संशयास्पद मानला जातो. मात्र फसवणूक करणारे सातत्याने आपली पद्धत बदलत असल्याने अशा प्रणालींना वारंवार अद्ययावत करावे लागते.
या समस्येवर AI अधिक प्रभावी पर्याय ठरू शकतो. AI प्रणाली व्यवहाराचा इतिहास, ग्राहकाचे वर्तन, डिव्हाइस, स्थान, नेटवर्क आणि व्यवहाराचा संदर्भ अशा विविध संकेतांचे एकत्रित विश्लेषण करून काही मिलिसेकंदांत व्यवहारातील जोखीम ओळखू शकतात. त्यानुसार व्यवहार मंजूर करणे, नाकारणे किंवा पुढील तपासणीसाठी पाठवणे शक्य होते.
AI च्या मदतीने वैध ग्राहकांचे व्यवहार चुकीने थांबवण्याचे प्रमाणही कमी करता येऊ शकते. ग्राहक प्रवासात असताना किंवा मोठी खरेदी करताना त्याचा व्यवहार नेहमीच्या पद्धतीपेक्षा वेगळा असू शकतो. अशा वेळी केवळ एका नियमावर आधारित निर्णय घेण्याऐवजी AI अनेक संकेतांचा विचार करून जोखीम निश्चित करू शकते.
वर्तणूक बायोमेट्रिक्स, फेडरेटेड लर्निंग आणि ग्राफ-आधारित मॉडेलिंग यांसारख्या तंत्रज्ञानामुळे फसवणुकीचे अधिक गुंतागुंतीचे नमुने शोधणे शक्य होत आहे. ग्राहक टायपिंग कसे करतो, डिव्हाइसशी कसा संवाद साधतो किंवा विविध खाती, उपकरणे आणि व्यवहार यांच्यातील संबंध काय आहेत, याचा अभ्यास करून संशयास्पद हालचाली ओळखता येतात.
दरम्यान, AI आधारित फसवणूक प्रतिबंधक प्रणाली स्वीकारताना डेटा गोपनीयता, ग्राहकांची संमती, सायबरसुरक्षा आणि नियामक अनुपालन याकडेही बँका व पतसंस्थांना विशेष लक्ष द्यावे लागणार आहे. ग्राहकांच्या डेटाचा सुरक्षित आणि योग्य वापर हा अशा प्रणालींच्या अंमलबजावणीतील महत्त्वाचा भाग ठरणार आहे.
मोठ्या बँकांच्या तुलनेत लहान बँका आणि पतसंस्थांसाठी अत्याधुनिक AI प्रणाली उभारणे खर्चिक आणि तांत्रिकदृष्ट्या आव्हानात्मक असू शकते. त्यामुळे तंत्रज्ञान भागीदार, सुरक्षित डिजिटल प्लॅटफॉर्म आणि बाह्य तज्ज्ञांच्या मदतीने टप्प्याटप्प्याने AI आधारित फसवणूक प्रतिबंधक उपाय स्वीकारणे हा व्यवहार्य पर्याय ठरू शकतो.
फसवणूक रोखणे आणि ग्राहकांचा व्यवहार अनुभव सुरळीत ठेवणे यांचा समतोल साधणे हे आगामी काळातील प्रमुख आव्हान असेल. या पार्श्वभूमीवर AI चा योग्य वापर केल्यास बँका आणि पतसंस्थांना क्रेडिट कार्ड फसवणुकीविरोधातील सुरक्षा अधिक सक्षम करण्यास मोठी मदत होऊ शकते.
