Scammers-এর সময় তাদের বিরুদ্ধেই ব্যবহার করতে AI মোতায়েন
Artificial intelligence online fraud-এর নানা ধরন দ্রুততর করছে, তবে scams চালানো ব্যক্তিদের ব্যাহত করার tool-ও হয়ে উঠছে। একটি ক্রমবর্ধমান anti-cybercrime approach plausible targets-এর পরিচয় নিতে conversational AI ব্যবহার করে। এতে scammers phone calls ও online exchanges-এ জড়িয়ে পড়ে, তাদের সময় ব্যয় হয় এবং তাদের operations সম্পর্কে information সংগ্রহ করা যায়।
এই strategy অনুসরণকারী প্রতিষ্ঠানগুলোর মধ্যে Australian company Apate রয়েছে। গত দুই বছর ধরে তারা এমন একটি system তৈরি করছে, যা phone scammers-দের এমন AI bots-এর দিকে redirect করতে পারে যারা money বা sensitive information না দিয়েও কথোপকথন চালিয়ে যেতে পারে। ধারণাটি সরল: synthetic victim-কে বোঝাতে ব্যয় করা প্রতিটি minute হলো এমন একটি minute, যা scammer কোনো বাস্তব ব্যক্তির কাছে পৌঁছাতে ব্যবহার করছে না।
এই premise গুরুত্বপূর্ণ, কারণ বড় fraud operations automated dialing এবং high-volume messaging-এর ওপর নির্ভর করতে পারে। একটি convincing conversational exchange scam network ধ্বংস না করলেও, যে efficiency এই network-গুলোকে মোকাবিলা কঠিন করে তোলে তাতে বাধা দিতে পারে। Active campaigns শনাক্ত করতে banks, telecommunications providers এবং investigators-এর কাজে লাগতে পারে এমন intelligence-ও এটি তৈরি করতে পারে।
বিশ্বাসযোগ্য কিন্তু vulnerable নয়—এমন targets তৈরি
Apate-এর founder ও chief executive Dali Kaafar বলেন, লক্ষ্য হলো scammer-এর দৃষ্টিতে “perfect victims” তৈরি করা: এমন targets যারা interaction চালিয়ে যাওয়ার মতো persuadable বলে মনে হয়, কিন্তু কখনও সত্যিই fraud-এর শিকার হয় না। Payment, account detail বা অন্য কোনো outcome পাওয়া যেতে পারে—এমন আশা callers-দের দেওয়ার জন্য bots তৈরি করা হয়েছে, যাতে system তাদের মনোযোগ ধরে রাখতে পারে।
Company বলেছে, তাদের platform banks ব্যবহার করে এবং telecommunications companies support দেয়; এতে প্রায় 350,000 bots রয়েছে। Kaafar-এর মতে, ওই bots শুধু phone calls-এর উত্তর দেয় না। তারা scam chat groups-এ ঢুকে text messages-এর reply-ও দিতে পারে, ফলে delaying এবং intelligence-gathering approach বিভিন্ন channel-এ বিস্তৃত হয়।
Responses যাতে repetitive বা সহজে শনাক্তযোগ্য না হয়, system-এ বিভিন্ন personalities, language abilities এবং user profiles ব্যবহার করা হয়। কিছু bot persona WhatsApp ব্যবহার করতে পারে, অন্যরা নাও করতে পারে। কেউ call ধরতে পারে, আবার কেউ call শেষ করে পরে ফেরার কথা বলতে পারে। এই variation-ই tactic-এর কেন্দ্রে: anti-scam bot-কে argument জিততে হবে না; potential victims-এর কাছ থেকে scammer-এর মনোযোগ সরানোর মতো দীর্ঘ সময় credible থাকলেই হবে।
Delay-এর মতোই intelligence গুরুত্বপূর্ণ
Time-wasting model-এর মাত্র একটি অংশ। Fraudsters সম্পর্কে 250,000-এর বেশি real-time information সংগ্রহ করেছে বলে Apate জানিয়েছে; এর মধ্যে scam URLs, money-mule accounts এবং bank details রয়েছে। Fraud operations প্রায়ই পরিবর্তনশীল phone numbers, payment routes, links এবং messaging accounts-এর network-এর ওপর নির্ভর করে, তাই এই information কাজে লাগতে পারে।
তাত্ত্বিকভাবে live interactions-এর সময় সংগৃহীত intelligence defensive systems-কে আরও responsive করতে পারে। একটি bank suspicious payment destination শনাক্ত করতে পারে; telecom provider recurring number বা pattern চিনতে পারে; platform scam link-এর বিরুদ্ধে ব্যবস্থা নিতে পারে। প্রতিটি item কীভাবে verify বা share করা হয়, article-এ বিস্তারিত নেই; তাই data-এর scale এবং operational impact-কে company-র account হিসেবে বিবেচনা করা উচিত। তবে engage ও observe—দুই কাজই করতে পারে এমন conversational systems-এ defenders কেন আগ্রহী, তা এটি দেখায়।
এই model traditional public-awareness campaigns থেকে আলাদা, যেখানে মানুষকে warning signs চিহ্নিত করে suspicious requests প্রত্যাখ্যান করতে বলা হয়। Education গুরুত্বপূর্ণ, কিন্তু এতে burden-এর বড় অংশ individual users-এর ওপর থাকে। AI decoys এমন targets-এর মাধ্যমে burden-এর কিছুটা attackers-এর দিকে ফেরাতে চায়, যারা সারাক্ষণ available এবং scale-এ engage করতে পারে।
Realism নিয়ে প্রতিযোগিতা
এই approach-এর usefulness একটি কঠিন প্রশ্নের ওপর নির্ভরশীল: bots কি professional scammers-দের কাছে believable থাকতে পারে? Fraudsters দ্রুত adapt করে, এবং anxious বা distracted মানুষকে scripted interactions-এর মধ্য দিয়ে পরিচালনার অভিজ্ঞতা অনেকের আছে। তারা যদি সহজেই bot শনাক্ত করতে পারে, deterrent effect কমে যাবে এবং operation নিজের methods সম্পর্কে information প্রকাশ করতে পারে।
তাই persona design, language variation এবং imperfect human-like behavior গুরুত্বপূর্ণ। অতিরিক্ত polished voice বা repeated response pattern-ও obvious refusal-এর মতো suspicious হতে পারে। Effective decoys-কে continued engagement উৎসাহিত করার মতো convincing হতে হবে, তবে firm safety boundaries-এর মধ্যে থাকতে হবে: তারা real credentials দিতে, money transfer করতে বা legitimate people-এর জন্য নতুন risks তৈরি করতে পারবে না।
Deceptive defensive systems কোথায় এবং কখন ব্যবহার করা উচিত, তা নিয়েও broader questions রয়েছে। এগুলো valuable intelligence সংগ্রহ করতে পারে, কিন্তু deploying organizations-এর data handling, authorities-এর সঙ্গে collaboration এবং real users-এর সঙ্গে unintended interactions এড়ানোর জন্য controls দরকার। Article technology-র potential তুলে ধরে, তবে governance বা independent effectiveness testing-এর পূর্ণ বিবরণ দেয় না।
Generative AI-এর একটি নতুন defensive ব্যবহার
AI-enabled fraud বাড়ায় technology-কে শুধু cybercrime amplifier হিসেবে দেখা সহজ হয়েছে। Scam operations automation ব্যবহার করে reach বাড়াতে পারে এবং realistic text ও voice manipulation শনাক্ত করা কঠিন করে তুলতে পারে। AI decoys একটি counterpoint দেখায়: স্বাভাবিক মনে হওয়া conversations চালানোর একই ক্ষমতা defense-এর দিকে ঘুরিয়ে দেওয়া যায়।
প্রতিটি malicious call কারও কাছে পৌঁছানোর আগেই থামানোর বদলে, contact হওয়ার পর scams-এর economics বদলানোই এই systems-এর লক্ষ্য। Fraudster যদি দ্রুত bot ও prospective victim-এর মধ্যে পার্থক্য করতে না পারে, প্রতিটি false lead operation-এর productivity কমাতে পারে। যথেষ্ট scale-এ এতে high-volume scam campaigns আরও ব্যয়বহুল ও কম লাভজনক হতে পারে।
এই tactic-কে enforcement, stronger platform safeguards বা consumer protection-এর substitute হিসেবে দেখা এখনও তাড়াহুড়ো হবে। তবে cyber defense-এ passive filtering থেকে active engagement-এর দিকে পরিবর্তন এটি দেখায়। এই পরিবর্তনে AI শুধু suspicious activity screen করছে না; এর পেছনের মানুষদের ব্যস্ত রাখার চেষ্টাও করছে।
পরবর্তী পরীক্ষা measurable impact
Conversational anti-scam systems-এর পক্ষে শক্তিশালী যুক্তি results-এর evidence-এর ওপর নির্ভর করবে: কম successful scams, campaign lifetimes ছোট হওয়া, আরও কার্যকর intelligence এবং false positives বা unintended consequences-এর স্পষ্ট হিসাব। এই systems existing reporting ও fraud-response processes-এ কীভাবে fit করে, companies, banks ও telecoms-কেও তা নির্ধারণ করতে হবে।
এখন পর্যন্ত Apate-এর কাজ দেখায়, scammer-এর মূল resource—time—কে vulnerability-তে পরিণত করতে AI ব্যবহার করা যায়। Cybercriminals outreach আরও বেশি automate করার সঙ্গে সঙ্গে defenders তাদের ব্যস্ত রাখার কাজটিও automate করতে শুরু করছে।
এই নিবন্ধটি Wired-এর reporting-এর ভিত্তিতে তৈরি। মূল নিবন্ধ পড়ুন।
Originally published on wired.com
