उत्तर

भारतीय साइबर अपराध समन्वय केंद्र (I4C) ने बताया कि साइबर अपराध संबंधी शिकायतों में वर्ष 2019 में 26,049 से वर्ष 2023 में 1.5 मिलियन से अधिक तक की वृद्धि हुई है, जबकि वित्त वर्ष 24 में बैंक धोखाधड़ी के मामले ₹21,367 करोड़ तक पहुँच गए। इस खतरनाक वृद्धि के कारण साइबर धोखाधड़ी से निपटने के लिए प्रतिक्रियात्मक से सक्रिय रणनीतियों में बदलाव की आवश्यकता है, ताकि डेटा गोपनीयता सुनिश्चित करते हुए AI-संचालित रियलटाइम ट्रांजेक्शन निगरानी की जा सके।

साइबर अपराध से निपटने में प्रतिक्रियात्मक से सक्रिय दृष्टिकोण की ओर परिवर्तन का मूल्यांकन

• शिकायत-केंद्रित से रोकथाम-केंद्रित की ओर परिवर्तन: परंपरागत प्रतिक्रियात्मक तरीके, पीड़ितों द्वारा धोखाधड़ी की रिपोर्ट करने पर निर्भर करते हैं, जिससे हस्तक्षेप में देरी होती है। सक्रिय रियलटाइम निगरानी बैंकिंग प्रणाली से धन निकलने से पहले संदिग्ध  ट्रांजेक्शन का पता लगाने में मदद करती है। 
  • उदाहरण के लिए: RBI का म्यूलहंटर सॉफ्टवेयर म्यूल खातों की पहचान करने में मदद करता है, तथा पीड़ितों द्वारा शिकायत दर्ज कराने से पहले धोखाधड़ी वाले  ट्रांजेक्शन को रोकता है।
• रियलटाइम ट्रांजैक्शन अलर्ट: बैंकों में अद्वितीय लेन-देन आईडी लागू करने से धन प्रवाह पर नजर रखने में मदद मिलती है। संदिग्ध पैटर्न स्वचालित अलर्ट ट्रिगर करते हैं, जिससे समय रहते मध्यक्षेप करने और अवैध हस्तांतरण को रोकने में मदद मिलती है। 
  • उदाहरण के लिए: NPCI की AI-संचालित धोखाधड़ी पहचान प्रणाली, UPI  ट्रांजेक्शन की निगरानी कर सकती है और विसंगतियों को पहचान सकती है, जिससे धोखाधड़ी की घटना को होने से पहले ही रोका जा सकता है।
• बैंकों और कानून प्रवर्तन एजेंसियों के बीच सहयोग:  साइबर हेल्पलाइन पर बैंकों के नोडल अधिकारियों को तैनात करने से त्वरित प्रतिक्रिया समय सुनिश्चित होता है और धोखेबाजों द्वारा चुराए गए धन को भुनाने से पहले खातों को फ्रीज करने के लिए समन्वय होता है। 
  • उदाहरण के लिए: हरियाणा के साइबर रिस्पांस मॉडल ने 1930 हेल्पलाइन पर बैंक प्रतिनिधियों को तैनात करके वसूली दर को 2023 में 12% से बढ़ाकर 2024 में 27% कर दिया।
• AI-संचालित पैटर्न पहचान: एडवांस AI मॉडल असामान्य  ट्रांजेक्शन पैटर्न का पता लगाते हैं, जैसे कि म्यूल अकाउंट में तेजी से धन का आना-जाना, तथा धनशोधन को रोकना।
• सत्यापित खाता प्रणाली का एकीकरण: खातों को सत्यापित और असत्यापित के रूप में वर्गीकृत करने से अनावश्यक जाँच से बचा जा सकता है, साथ ही धोखाधड़ी करने वाली संस्थाओं पर ध्यान केंद्रित किया जा सकता है, जिससे प्रणाली की दक्षता में सुधार हो सकता है।

साइबर धोखाधड़ी की बहुआयामी चुनौतियाँ

• धोखाधड़ी तकनीकों का तेजी से विकास: साइबर अपराधी लगातार नए-नए तरीके विकसित करते रहते हैं जैसे फिशिंग, सिम स्वैपिंग और डीप फेक धोखाधड़ी, जिससे पारंपरिक उपाय अप्रचलित हो जाते हैं। 
  • उदाहरण के लिए: AI-जनित वॉयस क्लोनिंग घोटालों ने CEO की आवाज की नकल करके व्यवसायों को धोखाधड़ी वाले  ट्रांजेक्शन में फंसाया है।
• सीमा पार लेन-देन और अधिकार क्षेत्र के मुद्दे: जालसाज विदेशी खातों और क्रिप्टो  ट्रांजेक्शन का उपयोग करते हैं,  जिससे अंतरराष्ट्रीय कानूनी बाधाओं के कारण ट्रैकिंग और अभियोजन मुश्किल हो जाता है। 
  • उदाहरण के लिए: नाइजीरियाई साइबर धोखाधड़ी गिरोहों पर इंटरपोल की कार्रवाई से कई देशों में संचालित हो रहे बड़े पैमाने के धन शोधन नेटवर्क का पता चला।
• डेटा गोपनीयता और निगरानी संबंधी चिंताएँ: रियलटाइम निगरानी से व्यक्तिगत वित्तीय गोपनीयता के संबंध में चिंताएँ उत्पन्न होती हैं, जिसके दुरुपयोग को रोकने के लिए विनियामक सुरक्षा उपायों की आवश्यकता होती है। 
  • उदाहरण के लिए: यूरोपीय संघ का GDPR ढाँचा AI-आधारित धोखाधड़ी का पता लगाने की अनुमति देते हुए सख्त डेटा सुरक्षा उपायों को अनिवार्य बनाता है।
• अपराधियों द्वारा डिजिटल इंफ्रास्ट्रक्चर का उपयोग: एन्क्रिप्टेड मैसेजिंग, डार्क वेब प्लेटफार्म और अनाम डिजिटल वॉलेट, अपराधियों को पकड़ने से बचने में मदद करते हैं। 
  • उदाहरण के लिए: बिटकॉइन लॉन्ड्रिंग योजनाओं ने साइबर अपराधियों को बैंकिंग निगरानी से परे अवैध धन को स्थानांतरित करने में सक्षम बनाया है।
• जागरूकता और डिजिटल साक्षरता की कमी: साइबर स्वच्छता और धोखाधड़ी की रणनीति के संबंध में जागरूकता की कमी के कारण पीड़ित अक्सर धोखाधड़ी का शिकार हो जाते हैं। 
  • उदाहरण के लिए: भारत की साइबर स्वच्छता केंद्र पहल उपयोगकर्ताओं को फिशिंग के बारे में शिक्षित करती है, तथा बड़े पैमाने पर साइबर धोखाधड़ी की घटनाओं को रोकती है।

गोपनीयता संबंधी चिंताओं को संतुलित करते हुए साइबर धोखाधड़ी से निपटने में AI-आधारित प्रणालियों की भूमिका

• स्वचालित धोखाधड़ी का पता लगाना और रोकथाम: AI-संचालित प्रणालियाँ विशाल  ट्रांजेक्शन डेटा का विश्लेषण करती हैं और उच्च जोखिम वाले पैटर्न की तुरंत पहचान करती हैं  जिससे बैंक रियलटाइम में धोखाधड़ी वाले  ट्रांजेक्शन को रोक सकते हैं। 
  • उदाहरण के लिए: मास्टरकार्ड के AI फ्रॉड डिटेक्शन ने मशीन लर्निंग मॉडल के माध्यम से अनधिकृत  ट्रांजेक्शन को 50% तक कम कर दिया है।
• प्रमाणीकरण के लिए व्यवहारिक बायोमेट्रिक्स: AI-आधारित प्रणालियां गोपनीयता भंग किए बिना अनधिकृत खाता पहुंच का पता लगाने के लिए टाइपिंग गति, डिवाइस उपयोग और  ट्रांजेक्शन की आदतों का विश्लेषण करती हैं।
• उपयोगकर्ता की गोपनीयता की रक्षा के लिए फ़ेडरेटेड लर्निंग: AI मॉडल व्यक्तिगत  ट्रांजेक्शन विवरण को उजागर किए बिना विकेंद्रीकृत बैंकिंग डेटा पर प्रशिक्षित होते हैं, जिससे गोपनीयता से समझौता किए बिना धोखाधड़ी का पता लगाना सुनिश्चित होता है। 
  • उदाहरण के लिए: गूगल का AI गोपनीयता-संरक्षण विश्लेषण, डेटा गोपनीयता बनाए रखते हुए साइबर सुरक्षा को बढ़ाता है।
• AI ऑडिटिंग के माध्यम से विनियामक अनुपालन: AI-आधारित धोखाधड़ी का पता लगाने वाले उपकरण, RBI और GDPR जैसे नियामक ढाँचे  के साथ एकीकृत होते हैं जिससे पारदर्शिता और कानूनी अनुपालन सुनिश्चित होता है।
• उभरते साइबर खतरों के खिलाफ अनुकूली AI: मशीन लर्निंग एल्गोरिदम नई हैकिंग तकनीकों का मुकाबला करने के लिए धोखाधड़ी का पता लगाने वाले मॉडल को लगातार अपडेट करते हैं। 
  • उदाहरण के लिए: MIT की AI साइबरसिक्योरिटी लैब जीरो-डे धोखाधड़ी हमलों का पता लगाने के लिए विकसित AI मॉडल विकसित करती है।

“सुरक्षित डिजिटल भविष्य के लिए स्मार्ट सतर्कता”‌ के विचार को केंद्र में रखते हुए AI-संचालित रियलटाइम निगरानी, मजबूत साइबर स्वच्छता नीतियों और सीमा पार सहयोग का उपयोग करके साइबर सुरक्षा को प्रतिक्रियात्मक रुख से एक पूर्वानुमानित ढाल में बदला जा सकता है। बढ़ते साइबर खतरों के बीच एक प्रत्यास्थ डिजिटल पारिस्थितिकी तंत्र सुनिश्चित करने के लिए सुरक्षा और व्यक्तिगत अधिकारों को संतुलित करने हेतु विनियामक सैंडबॉक्स और गोपनीयता-संरक्षण AI मॉडल विकसित किए जाने चाहिए।

DOWNLOAD PDF