SAS พร้อมหนุนสถาบันการเงินไทยปรับตัวใช้ปัญญาประดิษฐ์ (AI) รับมือภัยหลอกดูดเงินดิจิทัล เผยเทรนด์เก็บข้อมูลใหม่กำลังเติบโตและถูกนำมาใช้มากยิ่งขึ้นนอกจากข้อมูลไบโอเมตริกซ์แบบเดิมอย่างการสแกนใบหน้า จัดครบรวบทุกข้อมูลเชิงพฤติกรรมที่ดูมีความเป็นมนุษย์ ทั้งองศาในการถือโทรศัพท์ ความเร็วในการพิมพ์ข้อความ รวมถึงข้อผิดพลาดในการพิมพ์ มั่นใจแยกระหว่างผู้ใช้งานจริงกับ AI ของมิจฉาชีพได้ฉลุย
นายณัฐพล อภิลักษณ์โตยานันท์ กรรมการผู้จัดการ SAS ประเทศไทย กล่าวถึงสถานการณ์ภัยคุกคามทางการเงินและฉ้อโกงในประเทศไทย ว่าปัจจุบันคนไทยมีความเสี่ยงสูงมาก โดยพบว่า 72% ของคนไทยเผชิญความเสี่ยงจากมิจฉาชีพ และ 47% เคยตกเป็นเหยื่อของการฉ้อโกงทางการเงิน
"หนึ่งในปัจจัยสำคัญที่กำหนดทิศทางของภาคการเงินในปัจจุบัน คือการฉ้อโกงที่กำลังแพร่ระบาดไปทั่ว ทุกคนกำลังเผชิญกับมัน ตัวเลขที่เราได้รับจากแบบสำรวจนั้นค่อนข้างน่าตกใจ"
ณัฐพลชี้ว่ารัฐบาลและธนาคารแห่งประเทศไทยกำลังผลักดันการแก้ไขปัญหากลโกงทางการเงิน โดยเพิ่มความรับผิดชอบให้กับธนาคารในการจัดการปัญหาการฉ้อโกง ไม่ปล่อยให้เป็นภาระของลูกค้าเพียงฝ่ายเดียว เช่น มีการออกมาตรการจำกัดการถอนเงินสดที่เกิน 5 ล้านบาท เพื่อป้องกันปัญหาการฟอกเงินและการฉ้อโกง ยังมีภัยคุกคามจากแก๊งมิจฉาชีพและคอลเซ็นเตอร์ในประเทศเพื่อนบ้าน รวมถึงการใช้ช่องทางการโอนเงินความเร็วสูงผ่านคริปโตเคอร์เรนซีเพื่อยักย้ายถ่ายเทเงิน
ณัฐพลเชื่อว่าการแก้ปัญหาเหล่านี้จำเป็นต้องอาศัยความร่วมมือจากหลายภาคส่วน ทั้งธนาคารแห่งประเทศไทย ผู้ให้บริการ และสมาคมธนาคารไทย ที่ต้องมีการแชร์ข้อมูลอย่างเป็นระบบ ในขณะเดียวกัน ภายในองค์กรของธนาคารเอง แผนกบริหารความเสี่ยง (Risk) และแผนกป้องกันการฟอกเงิน (AML) ก็เริ่มหันมาทำงานร่วมกันมากขึ้นตามแนวคิดที่เรียกว่า FRAML
นี่เองที่นำไปสู่บทบาทของเทคโนโลยี SAS Viya และ AI เพราะในการรับมือกับธุรกรรมทางการเงินปริมาณมหาศาลที่เกิดขึ้นแบบเรียลไทม์ SAS วางจุดยืนหลักให้แพลตฟอร์ม SAS Viya ซึ่งรองรับการทำงานของ AI ทั้ง Predictive AI, Generative AI และ Quantum AI ทำให้มีพลังการวิเคราะห์ที่สามารถประมวลผลได้เร็วกว่าระบบทั่วไปถึง 30 เท่า ช่วยให้ธนาคารสามารถสร้างและปรับปรุงโมเดลตรวจจับพฤติกรรมที่ผิดปกติได้อย่างรวดเร็ว
"ในกรณีที่มิจฉาชีพเองก็ใช้เทคโนโลยี GenAI ในการก่ออาชญากรรม ความรวดเร็ว (Speed to market) ถือเป็นสิ่งสำคัญที่สุด แพลตฟอร์มนี้ช่วยให้หน่วยงานบังคับใช้กฎหมายสามารถตรวจจับและวิเคราะห์แนวโน้มการทำธุรกรรมที่น่าสงสัยได้แบบเรียลไทม์ เพื่อสกัดกั้นก่อนที่ความเสียหายจะเกิดขึ้นจริง"
นายชอว์ พิน คัก หัวหน้าฝ่ายบริหารความเสี่ยงและที่ปรึกษาลูกค้าประจำภูมิภาคอาเซียน SAS ชี้ว่าหนึ่งความท้าทายในการนำ AI มาใช้งานจริงให้สอดคล้องกับแนวทางของหน่วยงานกำกับดูแล คือโครงสร้างการกำกับดูแล โดยการใช้ AI ต้องได้รับการสนับสนุนและตรวจสอบจากคณะกรรมการบริหาร และผู้บริหารระดับสูงโดยตรง และต้องสอดคล้องกับหลักการ FIT ที่เน้นความเป็นธรรม จริยธรรม ความรับผิดชอบ และความโปร่งใส
"ข้อมูลที่มีคุณภาพคือหัวใจสำคัญ เพราะหากป้อนข้อมูลที่ไม่มีคุณภาพเข้าไป ผลลัพธ์ที่ได้จาก AI ก็จะไม่มีประสิทธิภาพเช่นกัน ผลลัพธ์ที่ได้จากโมเดล AI รวมถึง GenAI จะต้องสามารถอธิบายที่มาที่ไปได้ และสามารถตรวจสอบย้อนกลับได้เสมอ"
เพื่อแก้ปัญหาความท้าทายด้านความรู้ความเข้าใจเรื่อง AI และการนำนโยบายไปปฏิบัติจริง SAS มุ่งผลักดันการใช้งานโซลูชันด้านการจัดการความเสี่ยง Model Risk Management และ AI Governance ที่ช่วยบันทึกการทำงานของโมเดล AI ตั้งแต่จุดเริ่มต้นจนถึงการยกเลิกใช้งาน มีระบบตรวจสอบอคติ และมีแดชบอร์ดสรุปข้อมูลความเสี่ยงของโมเดลทั้งหมด เพื่อให้คณะกรรมการบริหารสามารถนำไปใช้ตัดสินใจได้อย่างถูกต้อง
***ข้อมูลใหม่ ตรวจจับโกงการเงิน
นายเอียน โฮล์มส์ ผู้นำระดับโลกด้านโซลูชันป้องกันการทุจริตองค์กร SAS กล่าวถึง ข้อมูลใหม่ที่ SAS นำมาใช้เพื่อเพิ่มประสิทธิภาพในการตรวจจับการฉ้อโกงในยุค AI ว่าข้อมูลพฤติกรรมทางดิจิทัล เป็นเทรนด์ข้อมูลใหม่ที่กำลังเติบโตและถูกนำมาใช้มากยิ่งขึ้น นอกเหนือจากการใช้ข้อมูลไบโอเมตริกซ์แบบเดิมอย่างการสแกนใบหน้า โดย SAS ได้เริ่มเก็บข้อมูลที่ละเอียดอ่อนจากการโต้ตอบระยะไกลของผู้ใช้งานผ่านโทรศัพท์มือถือ ข้อมูลเหล่านี้ได้แก่ องศาในการถือโทรศัพท์ ความเร็วในการพิมพ์ข้อความ และข้อผิดพลาดในการพิมพ์ อย่างพฤติกรรมการใช้หัวแม่มือพิมพ์ขณะยืนอยู่บนรถไฟฟ้า BTS
สำหรับข้อมูลอุปกรณ์ที่ดึงมาจากสมาร์ทโฟน ยังคงถูกเก็บต่อเช่นในอดีต เพราะถือเป็นข้อมูลเชิงพฤติกรรมที่มีโอกาสบ่งบอกความเป็นมนุษย์ (Human-like) ช่วยแยกระหว่างผู้ใช้งานจริง กับบอท (Bot) หรือ AI ของมิจฉาชีพที่มักจะสร้างรูปแบบการโจมตีซ้ำๆ ในปริมาณมากได้
นอกจากนี้ยังมีข้อมูลสังเคราะห์ (Synthetic Data) จาก GenAI ซึ่งแม้ไทยจะมีความเข้มงวดของกฎหมายคุ้มครองข้อมูลส่วนบุคคล PDPA แต่ SAS แก้ปัญหาด้วยการใช้เทคโนโลยี Generative AI สร้าง "ข้อมูลสังเคราะห์" ขึ้นมาแทน โดยข้อมูลสังเคราะห์นี้มีคุณสมบัติและนำไปใช้งานได้ดีเทียบเท่ากับข้อมูลจริงของลูกค้า แต่ช่วยปกป้องความเป็นส่วนตัวของข้อมูลลูกค้าได้อย่างสมบูรณ์แบบ ทำให้องค์กรมีความปลอดภัยด้าน Data Governance มากขึ้นและลดผลกระทบจากการจัดการข้อมูลส่วนบุคคล
สำหรับข้อมูลจากการแชร์ร่วมกันในระบบนิเวศ SAS มองว่ามิจฉาชีพในปัจจุบันมีข้อมูลของเหยื่อที่กว้างขวางมาก ทั้งข้อมูลจากโซเชียลมีเดีย หรือเครือข่ายโทรคมนาคม ดังนั้นฝั่งธนาคารจึงต้องสู้ด้วยข้อมูลเช่นกัน ทั้งข้อมูลธุรกรรมและเหตุการณ์ โดยปัจจุบันมีการดึงข้อมูลจากเครือข่ายอื่นที่นอกเหนือจากระบบธนาคารมาวิเคราะห์ร่วมด้วย เช่น ข้อมูลจาก ITMX, บัตรแรบบิท (Rabbit card) หรือบัตรโดยสารรถไฟฟ้า เพื่อสร้างภาพรวมของลูกค้าแบบองค์รวม แทนที่จะดูข้อมูลแยกส่วนกัน
ที่ขาดไม่ได้คือข้อมูลพฤติกรรมแบบข้ามช่องทาง เพื่อให้การตรวจจับภัยโกงการเงินแม่นยำที่สุด โดย SAS เผยว่ามุ่งเน้นไปที่การเก็บข้อมูลจากทุกช่องทางที่ลูกค้าโต้ตอบกับธนาคาร ไม่ว่าจะเป็นการเดินเข้าไปที่สาขา, การโทรศัพท์หาคอลเซ็นเตอร์, การใช้งานพร้อมเพย์ (PromptPay) หรือแอปพลิเคชัน ซึ่งการรวมข้อมูลทั้งหมดนี้เข้าด้วยกัน ช่วยให้ระบบสามารถระบุตัวตนที่แท้จริงของบุคคลนั้นได้อย่างรวดเร็วและแม่นยำ ไม่ว่าจะเข้ามาทำธุรกรรมจากช่องทางใดก็ตาม.
