فناوری در حال اختراع مجدد تقلب است: موسسات مالی باید به همین روند ادامه دهند

در بریتانیا، زیان ناشی از تقلب به 1.3 میلیارد پوند رسید که نشان می‌دهد که چگونه کلاهبرداری در مقیاس رو به رشدی عمل می‌کند. یکی از عوامل محرک این رشد، استفاده روزافزون از فناوری هایی مانند هوش مصنوعی است که در حال تبدیل شدن به سلاح های خطرناک و موثر در دستان نسل جدید جنایتکاران است.

با ادامه تکامل، شبکه‌های جنایی در عملیات خود سریع‌تر و پیچیده‌تر می‌شوند و مؤسسات مالی با چالش انطباق با عصر جدید امنیت سایبری و پیشگیری از کلاهبرداری که توسط همان نیرویی که سیستم و اعتماد مشتریان را تهدید می‌کند، مواجه می‌شوند.

هوش مصنوعی در حال اختراع مجدد جرایم سایبری است

کلاهبرداران در حال حاضر از فناوری های پیشرفته از جمله هوش مصنوعی مولد برای صنعتی کردن مهندسی اجتماعی استفاده می کنند. همانطور که هزینه نهایی یک حمله پیچیده به صفر نزدیک می شود، شبکه های جنایی در حال تغییر ساختاری قابل اندازه گیری در نحوه عملکرد خود هستند. مهارت‌هایی که قبلا در تعداد کمی از گروه‌های جنایی بسیار تخصصی وجود داشت، اکنون به کالا تبدیل شده‌اند.

هوش مصنوعی مولد و ایجاد هویت مصنوعی اکنون می‌توانند هویت‌های ترکیبی تولید کنند که چک‌های «مشتری خود را بشناسید» (KYC) را پاس می‌کند، تاریخچه اعتباری قابل‌اعتمادی ایجاد می‌کند و ماه‌ها قبل از اجرای کلاهبرداری غیرقابل شناسایی است. کلاهبرداری مجوز با قابلیت Deepfake صداها و ویدیوهایی تولید می کند که به اندازه کافی قانع کننده هستند تا انسان ها را برای مجوز دادن به تراکنش ها یا انتقال اعتبار دسترسی فریب دهند.

این نمونه‌ها همگی یک الگوی مشترک را نشان می‌دهند: آنها به لایه اعتماد حمله می‌کنند، لحظه‌ای که یک سیستم یا یک انسان تصمیم می‌گیرد چیزی مشروع است. حتی با مدل‌های فوق‌العاده پیچیده، تاکتیک‌ها سیستم و عملیات‌های بعدی را هدف قرار می‌دهند. هوش مصنوعی اکنون می تواند اعتماد را با سرعت و کیفیتی که قبلا امکان پذیر نبود، ایجاد کند.

چرا امنیت سنتی عقب می ماند؟

چنین فناوری‌هایی اکنون حرف اول را می‌زنند، زیرا تا حد زیادی مشتری را شکست می‌دهند، نه سیستم‌های بانک. کلاهبرداران از هوش مصنوعی استفاده می‌کنند تا افراد را با تماس‌های کلاهبرداری متقاعدکننده‌تر، جعل هویت واقعی‌تر، مهندسی اجتماعی شخصی‌تر که شک و تردیدی را که برای محافظت از مردم استفاده می‌شد، از بین ببرد. کلاهبرداری به سیستم های بانک می رسد که کاملا مشروع به نظر می رسند، زیرا از نظر فنی چنین است.

این جایی است که امروز نبرد در حال انجام است. همانطور که بانک ها به سرمایه گذاری در شناسایی مبتنی بر هوش مصنوعی ادامه می دهند و بهره برداری از مسیر دستکاری مشتری در مقیاس سخت تر می شود، انگیزه حمله مستقیم به سیستم های بانک ها افزایش می یابد.

ما در مرحله انتقالی هستیم، جایی که فناوری به کلاهبرداران کمک می کند تا مردم را شکست دهند، این می تواند به سمت بررسی مستقیم و حمله هوش مصنوعی به خود مؤسسات تبدیل شود. بخش مالی باید در حال حاضر برای آن مرحله دوم آماده شود.

در برابر دشمنی که به طور مداوم بررسی، تطبیق و تکرار می‌کند، ماهیت ثابت فعلی کنترل‌های امنیتی سنتی کافی نیست. در کلاهبرداری مالی و امنیت سایبری، حملات مبتنی بر هوش مصنوعی نه تنها از کنترل‌ها دور می‌شوند، بلکه آنها را نقشه‌برداری می‌کنند. آنها تقریبا طوری رفتار می کنند که گویی شکل سیستم تشخیص را درک می کنند و عمدا خارج از مرزهای آن می مانند.

رابطه همزیستی بین نیروی کار و فناوری

در بانک‌ها و مؤسسات مالی، تیم‌های پیشگیری از کلاهبرداری به طور فزاینده‌ای برای همگام شدن با تحولات تکنولوژیکی دائمی تهدیدات تلاش می‌کنند، بیشتر به این دلیل که آنها آموزش دیده‌اند تا در مورد حوادث فکر کنند: اگر اتفاقی بیفتد، آن را شناسایی می‌کنید، پاسخ می‌دهید، پرونده را می‌بندید.

آنهایی که بیشترین پیشرفت را دارند کسانی هستند که تشخیص را به عنوان یک کار تحقیقاتی به جای عملیاتی در نظر می گیرند. آنها به تغییراتی در رفتارهایی نگاه می کنند که ممکن است نشان دهد چیزی علیه ما در حال آزمایش است. این وضعیت تحلیلی متفاوت در نهایت به پیشگیری بیش از تشخیص کمک می کند.

حرفه ای هایی که در پنج سال آینده بیشترین اهمیت را خواهند داشت، آنهایی هستند که می توانند در مورد سیستم ها استدلال کنند نه اینکه فقط آنها را راه اندازی کنند. نیاز به حرکت از تخصص در ابزارهای خاص به تخصص در اصول اساسی وجود دارد که باعث کارکرد ابزارها می شود. اصولی مانند استدلال آماری، تفکر خصمانه، طراحی سیستم ها، تحلیل حلقه بازخورد، در طول زمان ترکیب می شوند و صرف نظر از اینکه پشته فناوری در سال های آینده چگونه به نظر می رسد، مرتبط باقی می مانند.

همه سازمان‌ها مجهز به این روش نیستند، و در حالی که استخدام برای پر کردن این شکاف ممکن است راه‌حل واضح باشد، واقعیت این است که به لطف پیشرفت‌ها و پذیرش گسترده، امروزه ابزارهای پیشرفته هوش مصنوعی داریم که می‌توانند به راحتی در زیرساخت‌ها و عملیات موجود ادغام شوند.

راه پیش رو سرمایه گذاری در کار ارائه دهندگان خارجی است که با ترکیب تجزیه و تحلیل آماری، استدلال و توضیح کامل، این ابزارها را در دسترس و آسان می کند.

به کارگیری فناوری های جدید بدون ایجاد خطر

برای به کارگیری یک حمله فنی پیچیده، نیازی به مهارت فنی ندارید، و این دموکراتیزه کردن قابلیت ها چیزی است که موج بعدی را واقعا متفاوت می کند. سوالاتی که پزشکان اکنون روی آن کار می‌کنند این نیست که آیا فناوری‌های جدید کار می‌کنند یا خیر، بلکه این است که چگونه می‌توان از نسل بعدی قابلیت‌ها برای جلوتر از حملات خودکار فزاینده استفاده کرد.

مهم‌ترین اصل این است که سیستم‌های خود را از همان روز اول به‌عنوان سطوح حمله‌ای در نظر بگیرید، نه به‌عنوان یک فکر بعدی پس از تولید. هر مدلی که شما به کار می‌گیرید، دارای مفروضاتی است و بازیگران متخاصم به طور سیستماتیک آن مفروضات را بررسی خواهند کرد. اگر ابتدا خودتان این کار را انجام نداده اید، عملکرد تیم قرمز خود را به افرادی با اهداف بسیار متفاوت برون سپاری می کنید.

برای موثر بودن، سیستم‌های دفاعی مبتنی بر هوش مصنوعی باید با سرعت کافی در میلی‌ثانیه کار کنند تا بدون ایجاد اختلال در تجربه مشتری، خطر را شناسایی کنند. هر تراکنش در زمان واقعی ارزیابی می شود، صدها سیگنال را تجزیه و تحلیل می کند و آنها را با الگوهای تاریخی مقایسه می کند تا هر گونه نشانه ای از فعالیت غیرعادی شناسایی شود.

ما بهترین نرم افزار حفاظت نقطه پایانی را معرفی کرده ایم.

این مقاله به عنوان بخشی از TechRadar Pro Perspectives، کانال ما برای معرفی بهترین و باهوش ترین ذهن ها در صنعت فناوری امروز تهیه شده است.

نظرات بیان شده در اینجا نظرات نویسنده است و لزوما نظرات TechRadarPro یا Future plc نیست. اگر مایل به مشارکت هستید، اطلاعات بیشتری را در اینجا بیابید: https://www.techradar.com/pro/perspectives-how-to-submit