Alessandro Chimera ผู้อำนวยการฝ่ายกลยุทธ์การเปลี่ยนเป็นระบบดิจิทัลของ TIBCO Software กล่าวว่า “ปัจจุบันนี้ธุรกรรมทางการเงินที่เกิดขึ้นนั้นใช้ระบบดิจิทัลมากขึ้น แต่ธุรกรรมดังกล่าวเกิดขึ้นอย่างรวดเร็วเกินกว่าระดับที่พวกเราจะสามารถจำกัด ควบคุม และรักษาให้เกิดความปลอดภัยไว้ได้ ดังนั้นการที่จะรักษาสมบัติล้ำค่าให้ปลอดภัยในอนาคตได้นั้น เราจะต้องแสวงหาวิธีการใหม่ๆ อันชาญฉลาดที่สามารถตรวจจับความผิดปกติที่เกิดขึ้นได้อย่างทันท่วงที”



ตลอดช่วงเวลาหลายทศวรรษที่ผ่านมา ระบบธนาคารได้พลิกเปลี่ยนโฉมหน้าตนเองอยู่หลายครั้ง และถ้าไม่ย้อนกลับไปดูถึงยุคโบราณกาลแล้ว ระบบธนาคารที่เรารู้จักกันนั้นได้พัฒนามาจากตู้นิรภัยในยุคคาวบอย Wild West เรื่อยมาจนถึงยุค Victoria ที่เป็นตู้นิรภัยขนาดใหญ่โตประดับด้วยลายหินอ่อนหน้าตู้ และก็ได้พัฒนาเรื่อยมาจนถึงยุคปัจจุบัน

ทุกวันนี้ระบบธนาคารนั้นพัฒนารุดหน้าไปอย่างมาก จากในอดีตที่มีพนักงานประจำหน้าเคาน์เตอร์ไปจนถึงตู้กดเงินอัตโนมัติ (ATM) เครื่องแรก และในบางประเทศก็ยังมีบริการที่เหนือไปกว่า นั่นก็คือบริการแบบ 'ไดรฟ์ทรู' พร้อมบริการที่จอดรถ แต่แม้ว่าสิ่งเหล่านี้จะดูทันสมัย แต่ก็กำลังจะถูกทดแทนและจะกลายเป็นสิ่งล้าสมัยในไม่ช้า

หาได้ทั่วไป ราบรื่น และไร้รอยต่อ
ความนิยมในหมู่ Gen Z นั้นได้ขับเคลื่อนให้ระบบการชำระเงินอิเล็กทรอนิกส์และการใช้แอปพลิเคชันของธนาคารเติบโตทวีคูณ ทุกวันนี้เป็นเรื่องปกติที่เรามีความคาดหวังว่าจะสามารถทำธุรกรรม เข้าถึงเงิน และใช้บริการธนาคารได้ทุกที่ทุกเวลาด้วยความราบรื่นและปลอดภัยบนอุปกรณ์ของเรา

ตอนนี้ก็มีธนาคารรุ่นใหม่เกิดขึ้น เรียกกันว่า 'Challenger Bank' ซึ่งเป็นธนาคารที่ไม่ได้มีการลงทุนสร้างสำนักงานในสถานที่จริง ประกอบกับสกุลเงินดิจิทัลก็กำลังเข้ามาเขย่าวงการธนาคารในอนาคตอันใกล้นี้ เราจึงต้องการแนวทางใหม่ที่สามารถรักษาความปลอดภัยในระบบธนาคารดิจิทัลและเศรษฐกิจดิจิทัลที่กำลังเป็นที่นิยมเพิ่มขึ้น เพื่อป้องกันไม่ให้เกิดความเสี่ยงจากการฉ้อโกงในการทำธุรกรรม

ช่องทางการทำธุรกรรมดิจิทัลซึ่งตอนนี้ก็ยังพัฒนาต่อไปเรื่อยๆ นั้นทำให้เกิดความเสี่ยงหลากหลายรูปแบบ แม้ว่าการใช้บริการกระเป๋าเงินออนไลน์และแอปพลิเคชันของธนาคารมากขึ้นนั้นจะเอื้อให้ทำธุรกรรมได้รวดเร็วขึ้นก็จริง แต่จะส่งผลให้เกิดความท้าทายมากขึ้นในด้านการพิจารณา ตรวจสอบ และวิเคราะห์ธุรกรรมที่เกิดขึ้นทุกๆ ครั้งเพื่อประเมินความเสี่ยงในการเกิดการฉ้อโกง

ทั้งหมดนี้เกิดขึ้นไปพร้อมกับการที่ธนาคารเองนั้นบริหารจัดการข้อมูลได้อย่างย่ำแย่ ดูแลรักษาได้อย่างไร้ประสิทธิภาพ จัดระเบียบข้อมูลได้อย่างน่าสับสน และรวมถึงข้อมูลก็ไม่มีความเสถียรมาเป็นเวลาหลายปีหรือหลายสิบปีแล้ว ดังนั้น เมื่อผนวกรวมกับไซโลจากแหล่งข้อมูลที่ไม่สอดคล้องกันแล้ว อุปสรรคจากองค์กรหรือสถาบันที่ล้าสมัยก็จะยิ่งขัดขวางแนวคิดของธุรกิจที่คล่องตัวและเชื่อมโยงกันทั้งระบบได้



ป้องกันไม่ให้เกิดการจับผิด 
ความท้าทายที่สำคัญประการหนึ่งสำหรับองค์กรที่เป็นสถาบันธนาคารสมัยใหม่คือการป้องกันไม่ให้เกิดการจับผิด การจับผิดหรือ False Positive ก็คือเมื่อธุรกรรมใดธุรกรรมหนึ่งถูกตั้งค่าสถานะว่าอาจเป็นการฉ้อโกงทั้งที่จริงแล้วเป็นธุรกรรมปกติ การจับผิดเช่นนี้จะทำให้ระบบทำงานช้าลง ส่งผลให้การบริการของธนาคารล่าช้าและทำให้ลูกค้าหงุดหงิด ในท้ายที่สุดลูกค้าก็จะเปลี่ยนไปใช้บริการธนาคารอื่น

False Positive นั้นพบเห็นได้ทั่วไป โดยเว็บไซต์วิเคราะห์ข่าวระดับโลก Global Investigations Review (GIR) ประมาณการว่าการแจ้งเตือนของระบบธนาคารดิจิทัลกว่า 98% นั้นไม่เคยส่งผลให้เกิดการรายงานธุรกรรมที่น่าสงสัย (STR) ได้อย่างเป็นระบบแบบแผน การแจ้งเตือนประเภทนี้อาจทำให้ธนาคารต้องเสียค่าปรับและชื่อเสียงเสียหายได้

ในโลกที่การประมวลผลการชำระเงินเกิดขึ้นเกือบจะทันทีเมื่อส่งคำสั่งนั้น ระบบตรวจจับการฉ้อโกงที่ใช้กฎเกณฑ์รุ่นเก่าก็จะฉลาดเท่ากับโค้ดที่เขียนไปเท่านั้น แต่ก็ถือว่ายังไม่ฉลาดพอในการรับมือกับสภาพตลาดในปัจจุบัน

จะต้องมีวิธีที่ดีกว่า ซึ่งก็มีแล้วในปัจจุบันที่เราสามารถใช้การตรวจจับความผิดปกติได้



การตรวจจับความผิดปกติ
ในแง่ของคำจำกัดความอย่างเป็นทางการ เราอาจจะกล่าวได้ว่าความผิดปกตินั้นคือการผันแปรหรือความเบี่ยงเบนจากรูปแบบที่คาดไว้ในชุดข้อมูลเฉพาะหนึ่งๆ ที่เราไม่สามารถคาดการณ์ได้ ความเบี่ยงเบนที่เกิดขึ้นนั้นสามารถบอกเราได้ว่ามีการเปลี่ยนแปลงเกิดขึ้นในเงื่อนไขของอินพุตอย่างน้อยหนึ่งรายการ และการเกิดขึ้นเช่นนี้อยู่นอกเหนือจากสิ่งที่เรียกว่า 'ปกติ' ซึ่งสามารถใช้เพื่อกระตุ้นให้เกิดการตอบสนองที่เหมาะสมและเพื่อต่อต้านการฉ้อโกง การละเมิดความปลอดภัย หรือแม้แต่ปัญหาประสิทธิภาพเชิงปฏิบัติการได้

สถาบันการเงินไม่ว่าจะเก่าหรือใหม่ต่างประมวลผลข้อมูลจำนวนมหาศาลจากชุดข้อมูล ฐานข้อมูล และคลังข้อมูลที่หลากหลาย สถาบันการเงินเหล่านี้สามารถระบุธุรกรรมที่แปลกแยกจากรูปแบบที่คาดไว้หรือเบี่ยงเบนไปจากพฤติกรรมที่สังเกตได้ก่อนหน้านี้ด้วยการใช้ระบบการตรวจจับความผิดปกติ

ระบบการตรวจจับความผิดปกตินั้นใช้รูปแบบพื้นฐานสามรูปแบบได้แก่ การตรวจสอบด้วยสายตา การเรียนรู้ของเครื่องโดยมีผู้สอน (Supervised Learning) และการเรียนรู้ของเครื่องโดยไม่มีผู้สอน (Unsupervised Learning)

การตรวจสอบด้วยสายตานั้นต้องอาศัยนักวิเคราะห์ข้อมูล นักวิทยาศาสตร์ข้อมูล หรือผู้เชี่ยวชาญ ในการตรวจสอบแดชบอร์ดที่ประกอบด้วยแผนภูมิ กราฟ การวัดผล มาตรวัด และการแสดงข้อมูลด้วยภาพชนิดอื่นๆ เพื่อค้นหารูปแบบข้อมูลที่ผิดปกติ การตรวจสอบด้วยสายตานั้นถูกจำกัดโดยขอบเขตของความรู้ความเชี่ยวชาญของผู้เชี่ยวชาญในการตรวจสอบ ถึงแม้ว่าการตรวจสอบด้วยสายตาจะมีประโยชน์แต่การตรวจสอบรูปแบบนี้ต้องอาศัยความสามารถและสมรรถนะของมนุษย์ที่อาจเกิดความผิดพลาดได้

การเรียนรู้ของเครื่องโดยมีผู้สอนนั้นยังคงมีความเกี่ยวข้องกับมนุษย์ในการระบุว่าชุดข้อมูลที่กำหนดให้กับเครื่องนั้นถือว่าเป็นข้อมูลที่ปกติหรือมีความผิดปกติ ในกรณีนี้ นักวิทยาศาสตร์ข้อมูลจะใช้ข้อมูลที่ระบุว่า "ปกติ" ในการสร้างโมเดลการเรียนรู้ของเครื่องเพื่อให้เครื่องสามารถตรวจจับความผิดปกติของข้อมูลที่ไม่ได้ถูกระบุไว้ก่อน เทคนิคนี้มีประโยชน์เช่นกัน แต่ก็ยังมีข้อบกพร่องเนื่องจากภัยคุกคามของการฉ้อโกงนั้นมีการพัฒนาอยู่ตลอดเวลา

การตรวจจับความผิดปกติแบบที่สามนี้เป็นการตรวจจับความผิดปกติที่ขับเคลื่อนด้วยเครื่องจักรมากที่สุด การเรียนรู้ของเครื่องโดยไม่มีผู้สอนนั้นเป็นการวิเคราะห์ข้อมูลที่ไม่มีแบบแผนแบบเรียลไทม์โดยใช้ตัวเข้ารหัสอัตโนมัติ (Autoencoder) และอัลกอริธึมสำหรับการเรียนรู้ของเครื่องเพื่อระบุความผิดปกติโดยไม่ต้องมีการแทรกแซงจากมนุษย์ ในระบบธนาคารสมัยใหม่ที่การอนุมัติการชำระเงินจำเป็นต้องเกิดขึ้นในทันที การเรียนรู้ของเครื่องโดยไม่มีผู้สอนนั้นจึงมีประโยชน์อย่างยิ่งในการตรวจหารูปแบบที่ผิดปกติจากชุดข้อมูล (Dataset) ขนาดมหึมา

การนำการตรวจจับความผิดปกติด้วย AI, ML, การประมวลผลเหตุการณ์ และการวิเคราะห์ขั้นสูงมาประยุกต์ใช้จะช่วยให้สถาบันการเงินต่างๆ สามารถตรวจจับรูปแบบการฉ้อโกงแบบใหม่ๆ ที่เกิดขึ้นซึ่งปรากฎในการสตรีมข้อมูลแบบเรียลไทม์ อีกทั้งยังสามารถวิเคราะห์รูปแบบเหล่านั้นในบริบทของประวัติการทำธุรกรรมโดยรวมและระบุค่าสถานะของความเป็นไปได้ที่จะเกิดการฉ้อโกงแบบเรียลไทม์สำหรับการตรวจสอบด้วยมนุษย์ต่อไป

โดยบริษัทหนึ่งที่ประยุกต์ใช้เทคโนโลยีนี้ก็คือ Asurion ผู้ให้บริการด้านการรับประกันอุปกรณ์ และให้บริการสนับสนุนและรับประกันโทรศัพท์เคลื่อนที่ อุปกรณ์อิเล็กทรอนิกส์เพื่อผู้บริโภค และอุปกรณ์ไฟฟ้าในครัวเรือน Asurion ได้ใช้แพลตฟอร์มระบบวิเคราะห์ระดับองค์กรและคาดการณ์ว่าอัตราส่วนในการเกิดการฉ้อโกงจะสามารถลดลงได้สูงสุดถึงร้อยละ 50 นอกจากนี้ การวิเคราะห์ขั้นสูงยังช่วยป้องกันการฉ้อโกงและความเสี่ยงในระบบของบริษัท ส่งผลให้บริษัทสามารถส่งมอบประสบการณ์ลูกค้าที่ดียิ่งขึ้นได้

การผสานรวมแนวทางแบบองค์รวม

ด้วยเราต้องพิจารณาปัจจัยอื่นๆ อีกมากมาย รวมทั้งการฉ้อโกงที่เพิ่มขึ้นแบบทวีคูณและเปลี่ยนแปลงวิธีการได้ทุกวัน จึงไม่น่าแปลกใจเลยที่จะพบว่ากลยุทธ์ที่ชาญฉลาดที่สุดในการรักษาความปลอดภัยในการปฏิบัติงานทางด้านนี้นั้นสร้างขึ้นจากแนวทางผสมผสานแบบองค์รวม ซึ่งหมายความว่าการรักษาความปลอดภัยจะสร้างขึ้นจากการผสมผสานระหว่างโมเดลการเรียนรู้ของเครื่องทั้งแบบที่มีผู้สอนและไม่มีผู้สอนผ่าน AI/ML รวมถึงการประมวลผลเหตุการณ์ (Event Processing) และระบบวิเคราะห์จะสามารถระบุความเป็นไปได้ของการฉ้อโกงที่อาจเกิดขึ้นได้อย่างแม่นยำที่สุด

การใช้แพลตฟอร์มการตรวจจับความผิดปกติเพื่อป้องกันการฉ้อโกงในระบบธนาคารดิจิทัลและบริการทางการเงินต้องเลือกใช้เทคโนโลยีที่ปรับเปลี่ยนได้ แยกโมดูลได้ และมีความยืดหยุ่น และด้วยวิธีนี้สถาบันทางการเงินต่างๆ ก็จะสามารถปรับตัวเพื่อรับมือกับสถานการณ์การฉ้อโกงใหม่ๆ ที่มีความเป็นไปได้ที่จะเกิดขึ้น 

ด้วยการผสานรวมการค้นพบข้อมูลเข้ากับการสร้างแบบจำลองทางสถิติไว้ในโซลูชันเดียว สถาบันทางการเงินยุคใหม่สามารถสร้างเครื่องมือที่แสดงภาพที่รวบรวมข้อมูลแบบเรียลไทม์ได้จากแหล่งข้อมูลต่างๆ พร้อมกับแปลงข้อมูลได้หลายรูปแบบเพื่อเจาะลึกไปถึงการแจ้งเตือนให้ได้มากที่สุด

จากพัฒนาการที่เริ่มตั้งแต่ทองคำแท่งในยุค Wild West ไปจนถึง Bitcoin แห่งอนาคต ทุกวันนี้เราสามารถใช้ระบบตรวจจับความผิดปกติเพื่อรักษาความมั่งคั่งให้ปลอดภัยและสร้างความปลอดภัยยิ่งขึ้นเงินออมของเรา โปรดจำไว้ว่า ในขณะที่สุนัขออกไปเดินเล่นนอกบ้าน เราก็ยังต้องการใครสักคนเฝ้าระวังมิให้โจรเข้ามาบุกบ้านด้วย