MuleHunter AI : ஆள்மாறாட்ட பணப்பரிமாற்ற வங்கிக்கணக்குகளைக் கண்டறிதல் - ரோஷினி யாதவ்

 சமீபத்தில், இந்திய ரிசர்வ் வங்கி, MuleHunter.AI உருவாக்கப்பட்டதாக அறிவித்தது. இதன் மாதிரி மற்றும் அதன் முக்கியத்துவம் என்ன? 


வெள்ளிக்கிழமை, டிசம்பர் 6-ம் தேதி, இந்திய ரிசர்வ் வங்கி (RBI) MuleHunter.AI என்ற AI-செயல் மாதிரியை உருவாக்குவதாக அறிவித்தது. இந்த மாதிரி டிஜிட்டல் மோசடியைக் குறைப்பதை நோக்கமாகக் கொண்டுள்ளது. ஆள்மாறாட்ட பணப்பரிமாற்ற (mule) வங்கிக் கணக்குகளின் வளர்ந்து வரும் சிக்கலைச் சமாளிக்க இது வங்கிகளுக்கு உதவுகிறது. இந்த மாதிரியை இந்திய ரிசர்வ் வங்கி புத்தாக்க மையம் (Reserve Bank Innovation Hub(RBIH)) உருவாக்கியது.


முக்கிய அம்சங்கள்


1. MuleHunter.AI என்பது ஆள்மாறாட்ட பணப்பரிமாற்ற வங்கிக் கணக்குகளை திறமையான முறையில் கண்டறிய உதவுகிறது. இரண்டு பெரிய பொதுத்துறை வங்கிகளுடன் ஒரு முன்னோடித் திட்டம் நேர்மறையான முடிவுகளைக் காட்டியதாக இந்திய ரிசர்வ் வங்கியின் வெளியீடு குறிப்பிடுகிறது. MuleHunter.AI மாதிரியை மேம்படுத்த வங்கிகள் ரிசர்வ் வங்கி கண்டுபிடிப்பு மையத்துடன் (RBIH) இணைந்து செயல்பட வேண்டும் என்றும் அது வலியுறுத்தியது. நிதி மோசடிக்கு பயன்படுத்தப்படும் ஆள்மாறாட்ட பணப்பரிமாற்ற வங்கிக் கணக்குகளின் (mule bank accounts) சிக்கலைத் தீர்ப்பதை இந்த ஒத்துழைப்பு நோக்கமாகக் கொண்டுள்ளது.


2. ஆள்மாறாட்ட பணப்பரிமாற்ற கணக்குகளை (mule accounts) ஒடுக்கவும் அரசு முயற்சிகளை மேற்கொண்டு வருகிறது. வெள்ளிக்கிழமையன்று, நிதிச் சேவைகள் துறை செயலர் கூட்டம் நடத்தினார். இந்தக்கூட்டத்தில் ரிசர்வ் வங்கி, மத்திய உள்துறை அமைச்சகத்தின் கீழ் உள்ள இந்திய சைபர் கிரைம் ஒருங்கிணைப்பு மையம் (I4C), விவசாயம் மற்றும் ஊரக வளர்ச்சிக்கான தேசிய வங்கி மற்றும் பொது மற்றும் தனியார் துறை வங்கிகளின் அதிகாரிகள் கலந்து கொண்டனர். டிஜிட்டல் நிதி மோசடி, குறிப்பாக மியூல் கணக்குகள் அதிகரித்து வரும் பிரச்சனை குறித்து அவர்கள் விவாதித்தனர்.


3. வெள்ளிக்கிழமை கூட்டத்தில், வங்கிகள் சிறந்த நடைமுறைகளை கடைப்பிடிக்க வலியுறுத்தப்பட்டது. அவர்கள் அதிநவீன கருவிகளைப் பயன்படுத்தவும், ஆள்மாறாட்ட பணப்பரிமாற்ற கணக்குகளை திறம்பட நிவர்த்தி செய்ய வங்கிகளுக்கு இடையே ஒத்துழைப்பை ஊக்குவிக்கவும் ஊக்குவிக்கப்பட்டனர். கூடுதலாக, ரிசர்வ் வங்கியின் Mulehunter.AI மூலம் தீர்வை ஆராய்ந்து செயல்படுத்த வங்கிகளுக்கு அறிவுறுத்தப்பட்டது. இது ஆள்மாறாட்ட பணப்பரிமாற்ற கணக்குகளைக் கண்டறிந்து கண்காணிப்பதை மேம்படுத்த உதவும்.


ரிசர்வ் வங்கி புத்தாக்க மையம் (Reserve Bank Innovation Hub(RBIH)) 

        RBIH என்பது இந்திய ரிசர்வ் வங்கிக்கு முழுமையாக சொந்தமான துணை நிறுவனமாகும். நிதித்துறையில் புதுமைகளை துரிதப்படுத்தும் சூழலை மேம்படுத்துவதற்கும் உருவாக்குவதற்கும் இது அமைக்கப்பட்டது.


ஆள்மாறாட்ட பணப்பரிமாற்ற வங்கி கணக்கு (Mule Bank Account)


1. இந்தியாவில் பெரும்பாலான இணையவழி நிதி மோசடிகளில் ஆள்மாறாட்ட பணப்பரிமாற்ற வங்கிக் கணக்குகள் ஒரு முக்கிய அங்கமாகக் காணப்படுகின்றன.  சைபர் குற்றங்களின் வருமானத்தை மோசடி செய்ய பொதுவாக பயன்படுத்தப்படும் இதுபோன்ற சுமார் 4.5 லட்சம் வங்கிக் கணக்குகளை ஒன்றிய அரசு முடக்கியுள்ளதாக தி இந்தியன் எக்ஸ்பிரஸ் கடந்த மாதம் செய்தி வெளியிட்டிருந்தது. 


2. ஆள்மாறாட்ட பணப்பரிமாற்றக் கணக்கு என்பது சட்டவிரோத நிதிகளை மோசடி செய்வது உள்ளிட்ட சட்டவிரோத நடவடிக்கைகளுக்கு குற்றவாளிகளால் பயன்படுத்தப்படும் வங்கிக் கணக்காகும். ஒரு ஆள்மாறாட்ட பணப்பரிமாற்றக் கணக்கு பொதுவாக குற்றவாளிகளால் அவர்களின் உண்மையான பயனர்களிடமிருந்து, பெரும்பாலும் குறைந்த வருமானக் குழுக்களைச் சேர்ந்த நபர்களிடமிருந்து அல்லது குறைந்த அளவிலான தொழில்நுட்ப கல்வியறிவு கொண்ட நபர்களிடமிருந்து வாங்கப்படுகிறது. 


டிஜிட்டல் கைது

        டிஜிட்டல் கைது என்பது ஒரு வகையான ஆன்லைன் மோசடியாகும். இந்த மோசடியில், மோசடி செய்பவர்கள் சட்ட அமலாக்க அதிகாரிகளாக ஆள்மாறாட்டம் மூலம், வீடியோ கால் செய்து போலியான கைதுகளை மிரட்டுகின்றனர். பாதிக்கப்பட்டவர்களிடம் பணம் பறிப்பதே இவர்களின் முக்கிய குறிக்கோள் ஆகும்.


3.  "ஆள்மாறாட்ட பணப்பரிமாற்றம்" (money mule) என்ற வார்த்தையானது, தங்கள் வங்கிக் கணக்குகள் மூலம் திருடப்பட்ட அல்லது சட்டவிரோதமான பணத்தைச் சுத்தப்படுத்த குற்றவாளிகளால் பயன்படுத்தப்படும் அப்பாவி பாதிக்கப்பட்டவர்களைக் குறிக்கிறது. இதுபோன்ற சம்பவங்கள் புகாரளிக்கப்படும்போது, ஆள்மாறாட்ட பணப்பரிமாற்றம் காவல் விசாரணையின் முக்கிய இலக்காகிறது. ஏனென்றால், உண்மையான குற்றவாளிகள் கண்டுபிடிக்கப்படாமல் இருக்கும் அதே வேளையில், ஆள்மாறாட்ட பணப்பரிமாற்றத்தின் கணக்குகள் சம்பந்தப்பட்டிருக்கின்றன.


1. செயற்கை நுண்ணறிவு (AI) என்பது இயந்திரங்கள், குறிப்பாக கணினிகள், பொதுவாக மனித நுண்ணறிவு தேவைப்படும் பணிகளைச் செய்யும் திறன் ஆகும். இந்தப் பணிகளில் மொழியைப் புரிந்துகொள்வது, வடிவங்களை அங்கீகரிப்பது, சிக்கல்களைத் தீர்ப்பது மற்றும் முடிவுகளை எடுப்பது ஆகியவை அடங்கும். 


2. கணக்கீட்டு சக்தி மற்றும் பெரிய தரவுகளின் முன்னேற்றங்கள், படம் மற்றும் பேச்சு அங்கீகாரம், இயற்கை மொழி செயலாக்கம் மற்றும் தன்னாட்சி அமைப்புகள் போன்ற பகுதிகளில் AI-ன் திறனை அதிகரித்துள்ளன. இன்று, AI தொடர்ந்து உருவாகி வருகிறது. இது பல தொழில்களில் பயன்படுத்தப்படுகிறது, புதுமைகளை இயக்குகிறது மற்றும் அன்றாட வாழ்க்கையை மாற்றுகிறது.


3. AI-ஐ இரண்டு வகைகளாக வகைப்படுத்தலாம். ஒன்று, செயற்கை குறுகிய நுண்ணறிவு (Artificial Narrow Intelligence (ANI)) பலவீனமான AI என்றும் அழைக்கப்படுகிறது மற்றும் செயற்கை பொது நுண்ணறிவு (Artificial General Intelligence (AGI)) வலுவான AI என்றும் குறிப்பிடப்படுகிறது. 


4. செயற்கை குறுகிய நுண்ணறிவு (ANI) குறிப்பிட்ட பணிகளுக்காக வடிவமைக்கப்பட்டுள்ளது மற்றும் ஒரு குறுகிய களத்திற்குள் சிறந்து விளங்குகிறது. எடுத்துக்காட்டுகளில் சிரி போன்ற மெய்நிகர் உதவியாளர்கள், நெட்ஃபிக்ஸ் போன்ற தளங்களில் பரிந்துரை அமைப்புகள் மற்றும் பட அங்கீகார மென்பொருள் ஆகியவை அடங்கும். 


5. செயற்கை பொது நுண்ணறிவு (AGI) மனித அறிவாற்றல் திறன்களை பிரதிபலிக்கும் நோக்கம் கொண்டது. இது மனிதர்களால் செய்யக்கூடிய எந்தவொரு அறிவுசார் பணியையும் செய்ய அனுமதிக்கும். செயற்கை பொது நுண்ணறிவுக்கு பொதுவான பகுத்தறிவுத் திறன் இருக்கும். இது சூழலைப் புரிந்துகொண்டு வெவ்வேறு பகுதிகளில் புதிய சூழ்நிலைகளுக்கு மாற்றியமைக்க முடியும். ஒவ்வொரு பணிக்கும் குறிப்பிட்ட நிரலாக்கம் தேவையில்லாமல், AGI தானே பிரச்சனைகளைக் கற்று தீர்க்க முடியும்.


6. இயந்திர கற்றல் (Machine Learning (ML)) மற்றும் ஆழமான கற்றல் (Deep Learning (DL)) ஆகியவை AI-ன் துணைக்குழுக்கள், ஆனால் சிக்கலான தன்மை மற்றும் திறன்களில் வேறுபடுகின்றன. 


7. இயந்திர கற்றல் தரவுகளிலிருந்து கற்றுக்கொள்வதற்கும் கணிப்புகளைச் செய்வதற்கும் பயிற்சி வழிமுறைகளை உள்ளடக்கியது மற்றும் பெரும்பாலும் மனித இயக்க பிரித்தெடுத்தல் தேவைப்படுகிறது. 


8. ஆழமான கற்றல் என்பது இயந்திர கற்றலின் (ML) துணைக்குழு ஆகும். இது பல அடுக்குகளைக் கொண்ட நரம்பியல் நெட்வொர்க்குகளைப் பயன்படுத்துகிறது. அதனால்தான் இது "ஆழமான" என்று அழைக்கப்படுகிறது. இந்த நெட்வொர்க்குகள் பெரிய தரவுத்தொகுப்புகளிலிருந்து அம்சங்களை தானாகவே கற்றுக்கொள்கின்றன. சிறிய தரவுத்தொகுப்புகளுடன் ML சிறப்பாகச் செயல்படும் அதே வேளையில், ஆழமான கற்றலுக்குப் பரந்த அளவிலான தரவு மற்றும் குறிப்பிடத்தக்க கணக்கீட்டு சக்தி தேவை.




Original article:

Share: