Scammers-ன் நேரத்தை அவர்களுக்கு எதிராக மாற்ற AI பயன்படுத்தப்படுகிறது
Artificial intelligence online fraud-ன் பல வடிவங்களை வேகப்படுத்துகிறது; அதே நேரத்தில் scams நடத்துபவர்களைத் தடுக்கவும் இது ஒரு tool ஆக மாறுகிறது. வளர்ந்து வரும் anti-cybercrime approach, plausible targets போல நடிக்க conversational AI-ஐ பயன்படுத்துகிறது. இதனால் scammers phone calls மற்றும் online exchanges-ல் நேரத்தைச் செலவிடுகிறார்கள்; அவர்களின் operations பற்றிய information-மும் சேகரிக்கப்படுகிறது.
இந்த strategy-யை பின்பற்றும் நிறுவனங்களில் Australian company Apate ஒன்றாகும். கடந்த இரண்டு ஆண்டுகளாக, phone scammers-ஐ பணம் அல்லது sensitive information வழங்காமல் உரையாடலைத் தொடரக்கூடிய AI bots-க்கு redirect செய்யும் system-ஐ அது உருவாக்கி வருகிறது. கருத்து எளிமையானது: synthetic victim-ஐ சம்மதிக்கச் செலவிடும் ஒவ்வொரு நிமிடமும், ஒரு உண்மையான நபரை அணுக scammer பயன்படுத்த முடியாத நேரமாகும்.
பெரிய fraud operations automated dialing மற்றும் high-volume messaging-ஐ நம்பக்கூடும் என்பதால் இந்த premise முக்கியமானது. ஒரு convincing conversational exchange scam network-ஐ அழிக்காது; ஆனால் அவற்றை எதிர்ப்பது கடினமாக்கும் efficiency-க்கு இடையூறு செய்யலாம். Active campaigns-ஐ banks, telecommunications providers மற்றும் investigators அடையாளம் காண உதவும் intelligence-ஐயும் அது உருவாக்கலாம்.
நம்பகமான ஆனால் பாதிக்கப்படாத targets உருவாக்குதல்
Apate founder மற்றும் chief executive Dali Kaafar, scammer-ன் பார்வையில் “perfect victims” உருவாக்குவதே நோக்கம் என்கிறார்: உரையாடலைத் தொடரும் அளவுக்கு persuadable போலத் தோன்றும், ஆனால் fraud-க்கு உண்மையில் இரையாகாத targets. Payment, account detail அல்லது வேறு outcome கிடைக்கலாம் என்ற நம்பிக்கையை callers-க்கு bots அளிக்க வேண்டும்; இதன் மூலம் system அவர்களின் கவனத்தைத் தக்கவைக்கிறது.
தனது platform-ஐ banks பயன்படுத்துகின்றன என்றும் telecommunications companies support செய்கின்றன என்றும், சுமார் 350,000 bots இயங்குகின்றன என்றும் company கூறுகிறது. Kaafar-ன் படி, அந்த bots phone calls-க்கு பதில் அளிப்பதைக் கடந்தும் செயல்படுகின்றன. அவை scam chat groups-ல் கலந்து text messages-க்கு reply செய்யவும் முடியும்; இதனால் தாமதப்படுத்தும் மற்றும் intelligence சேகரிக்கும் approach பல channels-ல் விரிவடைகிறது.
Responses repetitive ஆகவோ எளிதில் அடையாளம் காணக்கூடியதாகவோ ஆகாமல் இருக்க system பல personalities, language abilities மற்றும் user profiles-ஐப் பயன்படுத்துகிறது. சில bot personas WhatsApp-ஐப் பயன்படுத்தலாம்; சில பயன்படுத்தாமல் இருக்கலாம். சில call-ஐ ஏற்கலாம்; மற்றவை call-ஐ முடித்து பின்னர் திரும்ப அழைப்பதாகக் கூறலாம். இந்த variationதான் tactic-ன் மையம்: anti-scam bot ஒரு argument-ல் வெல்ல வேண்டியதில்லை; potential victims-இலிருந்து scammer-ன் கவனத்தைத் திருப்பும் அளவுக்கு நம்பகமாக இருந்தால் போதும்.
Intelligence, delay அளவுக்கே முக்கியமானது
Time-wasting model-ன் ஒரு பகுதி மட்டுமே. Fraudsters பற்றிய 250,000-க்கும் மேற்பட்ட real-time information items-ஐ சேகரித்துள்ளதாக Apate கூறுகிறது; அவற்றில் scam URLs, money-mule accounts மற்றும் bank details அடங்கும். Fraud operations மாறிக்கொண்டிருக்கும் phone numbers, payment routes, links மற்றும் messaging accounts வலையமைப்பை நம்புவதால் இந்த information பயனுள்ளதாக இருக்கலாம்.
Live interactions-ல் சேகரிக்கப்படும் intelligence defensive systems-ஐ மேலும் responsive ஆக்கக்கூடும். ஒரு bank suspicious payment destination-ஐ அடையாளம் காணலாம்; telecom provider மீண்டும் தோன்றும் number அல்லது pattern-ஐ அறியலாம்; platform scam link மீது நடவடிக்கை எடுக்கலாம். ஒவ்வொரு item எவ்வாறு verify அல்லது share செய்யப்படுகிறது என்பதை article விவரிக்கவில்லை; எனவே data-வின் scale மற்றும் operational impact company-ன் account ஆகவே கருதப்பட வேண்டும். இருப்பினும் engage செய்யவும் observe செய்யவும் கூடிய conversational systems மீது defenders ஏன் ஆர்வம் காட்டுகின்றனர் என்பதை இது காட்டுகிறது.
மக்கள் warning signs-ஐக் கண்டறிந்து suspicious requests-ஐ மறுக்க வேண்டும் என்று கூறும் traditional public-awareness campaigns-லிருந்து இந்த model வேறுபடுகிறது. Education முக்கியமானது; ஆனால் அதில் burden பெரும்பாலும் individual users மீது உள்ளது. AI decoys, எப்போதும் கிடைக்கக்கூடிய மற்றும் scale-ல் engage செய்யக்கூடிய targets மூலம் அந்த burden-ன் ஒரு பகுதியை attackers பக்கம் திருப்ப முயல்கின்றன.
Realism குறித்த போட்டி
இந்த approach-ன் usefulness ஒரு கடினமான கேள்வியைச் சார்ந்துள்ளது: professional scammers-க்கு bots நம்பகமாகத் தொடருமா? Fraudsters விரைவாக adapt செய்கிறார்கள்; பதற்றமடைந்த அல்லது கவனச்சிதறல் கொண்டவர்களை scripted interactions மூலம் வழிநடத்தும் அனுபவம் பலருக்கு உள்ளது. Bot-ஐ எளிதில் அடையாளம் கண்டால் deterrent effect குறையும்; operation தனது methods பற்றிய தகவலையும் வெளிப்படுத்தக்கூடும்.
அதனால் persona design, language variation மற்றும் imperfect human-like behavior முக்கியமானவை. மிகச் சீரான voice அல்லது மீண்டும் மீண்டும் வரும் response pattern, வெளிப்படையான மறுப்பைப் போலவே சந்தேகத்திற்குரியதாக இருக்கலாம். Effective decoys continued engagement-ஐ ஊக்குவிக்கும் அளவுக்கு convincing ஆகவும், firm safety boundaries-க்குள் இருக்கவும் வேண்டும்: அவை உண்மையான credentials வழங்கக்கூடாது, money transfer செய்யக்கூடாது, legitimate peopleக்கு புதிய risks உருவாக்கக்கூடாது.
Deceptive defensive systems-ஐ எங்கு, எப்போது பயன்படுத்த வேண்டும் என்பதிலும் பரந்த கேள்விகள் உள்ளன. அவை valuable intelligence சேகரிக்கலாம்; ஆனால் அவற்றை deploy செய்யும் organizations data handling, authorities உடன் collaboration மற்றும் real users உடனான unintended interactions-ஐத் தவிர்ப்பதற்கான controls வைத்திருக்க வேண்டும். Technology-ன் potential-ஐ article எடுத்துக்காட்டுகிறது; ஆனால் governance அல்லது independent effectiveness testing பற்றிய முழுமையான விவரத்தை வழங்கவில்லை.
Generative AI-க்கு உருவாகும் defensive பயன்பாடு
AI-enabled fraud அதிகரித்ததால் technology-ஐ cybercrime amplifier ஆக மட்டுமே பார்க்கும் நிலை ஏற்பட்டுள்ளது. Scam operations automation மூலம் reach-ஐ அதிகரிக்கலாம்; realistic text மற்றும் voice manipulation-ஐக் கண்டறிவதை கடினமாக்கலாம். AI decoys ஒரு counterpoint-ஐ வழங்குகின்றன: இயல்பாகத் தோன்றும் conversations நடத்தும் அதே திறனை defense பக்கம் திருப்ப முடியும்.
ஒவ்வொரு malicious call-ஐயும் யாரையும் அடைவதற்கு முன் தடுக்க முயல்வதற்குப் பதிலாக, contact ஏற்பட்ட பிறகு scams-ன் economics-ஐ மாற்றுவதே இந்த systems-ன் நோக்கம். Bot மற்றும் prospective victim இடையே விரைவாக வேறுபாடு காண முடியாவிட்டால், ஒவ்வொரு false lead-உம் operation-ன் productivity-ஐக் குறைக்கலாம். போதுமான scale-ல் இது high-volume scam campaigns-ஐ அதிக செலவானதாகவும் குறைந்த பலனளிப்பதாகவும் மாற்றக்கூடும்.
இந்த tactic-ஐ enforcement, stronger platform safeguards அல்லது consumer protection-க்கு மாற்றாகக் கருதுவது இன்னும் முன்கூட்டியது. ஆனால் cyber defense-ல் passive filtering-லிருந்து active engagement-க்கு மாற்றம் ஏற்படுவதை இது காட்டுகிறது. அந்த மாற்றத்தில் AI suspicious activity-ஐ screen செய்வதுடன் நின்றுவிடாமல், அதன் பின்னால் உள்ளவர்களை busy-ஆக வைத்திருக்க முயல்கிறது.
அடுத்த சோதனை measurable impact
Conversational anti-scam systems-க்கு வலுவான ஆதரவு கிடைக்க results பற்றிய evidence தேவைப்படும்: குறைவான successful scams, குறுகிய campaign lifetimes, பயனுள்ள intelligence மற்றும் false positives அல்லது unintended consequences பற்றிய தெளிவான கணக்கு. இந்த systems existing reporting மற்றும் fraud-response processes-ல் எவ்வாறு பொருந்தும் என்பதையும் companies, banks மற்றும் telecoms தீர்மானிக்க வேண்டும்.
தற்போது, scammer-ன் முக்கிய resource ஆன time-ஐ vulnerability-ஆக மாற்ற AI பயன்படுத்தப்படலாம் என்பதை Apate-ன் வேலை காட்டுகிறது. Cybercriminals outreach-ஐ அதிகமாக automate செய்யும் நிலையில், defenders அவர்களை busy-ஆக வைத்திருக்கும் செயலையும் automate செய்யத் தொடங்குகின்றனர்.
இந்தக் கட்டுரை Wired-ன் reporting-ஐ அடிப்படையாகக் கொண்டது. மூலக் கட்டுரையைப் படிக்கவும்.
Originally published on wired.com
