ปัญหาภัยไซเบอร์และการหลอกลวงออนไลน์ในประเทศไทยยังคงเป็นประเด็นที่สร้างความเสียหายทางเศรษฐกิจอย่างมหาศาล โดยมี บัญชีม้า เป็นฟันเฟืองชิ้นสำคัญในการฟอกเงินและโยกย้ายทรัพย์สิน แม้ธนาคารแห่งประเทศไทย (ธปท.) จะยกระดับมาตรการเชิงรุกเพื่อให้สถาบันการเงินควบคุมดูแลอย่างเข้มงวด แต่ในความเป็นจริง การรู้เท่าทันกลอุบายที่ปรับเปลี่ยนตลอดเวลาของมิจฉาชีพ ถือเป็นโจทย์ใหญ่ที่ท้าทายขีดความสามารถทางเทคโนโลยีของธนาคารพาณิชย์เป็นอย่างยิ่ง มาตรการของธนาคารแห่งประเทศไทยที่มีความเข้มงวดขึ้นเกี่ยวกับบัญชีม้า มีความมุ่งมั่นเพื่อให้ระบบการเงินรองรับพฤติกรรมการทุจริตที่เปลี่ยนแปลงอย่างรวดเร็ว โดยได้ขยายเกณฑ์การระบุบัญชีม้าให้ครอบคลุมพฤติกรรมด้านธุรกรรมที่ผิดปกติ เช่น รูปแบบการโอน จำนวนเงิน และความถี่ในการโอน เพื่อให้ธนาคารสามารถตัดสินใจเชิงรุกได้แม้ยังไม่มีผู้เสียหายแจ้งความ
มาตรการนี้ยังรวมถึงการจำกัดการทำธุรกรรมสำหรับบัญชีความเสี่ยงสูง การปฏิเสธการเปิดบัญชีใหม่ และการพัฒนาแนวทางตรวจสอบระบบ Know Your Customer (KYC) ให้มีประสิทธิภาพและเข้มงวดมากขึ้น ในยุคที่ผู้คนทำธุรกรรมการเงินผ่านแอปพลิเคชันบนสมาร์ตโฟน ความรวดเร็วระดับวินาทีของมิจฉาชีพได้กลายเป็นจุดอ่อนสำคัญของสถาบันการเงิน โดยเฉพาะสถาบันที่ยังใช้เทคโนโลยีโครงสร้างพื้นฐานรูปแบบเดิม
กำจัดจุดอ่อนของระบบ Legacy
ปัจจุบันเครือข่ายมิจฉาชีพไม่ได้ใช้บัญชีม้าเพียงบัญชีเดียวเพื่อรับเงินจากการหลอกลวงอีกต่อไป แต่พัฒนารูปแบบการทุจริตให้มีความซับซ้อนด้วยการสร้างเครือข่ายบัญชีม้าแบบหลายชั้น ทันทีที่เหยื่อหลงเชื่อและโอนเงินเข้าบัญชีแรก เงินจำนวนนั้นจะถูกโอนต่อไปยังบัญชีอื่นๆ อย่างรวดเร็วภายในเวลาไม่กี่วินาที พร้อมกระจายยอดเพื่อหลีกเลี่ยงการตรวจสอบ ก่อนที่ยอดเงินทั้งหมดจะถูกรวบรวมไปยังบัญชีปลายทางเพื่อเปลี่ยนเป็นสินทรัพย์ดิจิทัลหรือถอนเป็นเงินสด ซึ่งกระบวนการทั้งหมดนี้มักเกิดขึ้นและจบลงภายในเวลาไม่ถึงสิบนาที สิ่งนี้ทำให้ระบบ Core Banking แบบดั้งเดิมที่อาศัยการทำงานในลักษณะ Batch Processing หรือการรวบรวมข้อมูลธุรกรรมทั้งหมดเพื่อรอประมวลผลสรุปยอดในตอนสิ้นวัน กลายเป็นข้อจำกัดอย่างชัดเจนในการรับมือกับรูปแบบการทุจริต กว่าที่ระบบของธนาคารจะตรวจพบความผิดปกติ ข้อมูลเหล่านั้นก็กลายเป็นอดีต และเงินก็ถูกโยกย้ายออกนอกระบบไปเรียบร้อยแล้ว
เคนนี่ ชิน ผู้อำนวยการภูมิภาคเอเชียตะวันออกเฉียงใต้ บริษัท คอนฟลูเอนท์ (Confluent) ผู้ให้บริการเทคโนโลยีด้าน Data Streaming ระดับโลก ได้วิเคราะห์ถึงประเด็นนี้ว่า “ระบบแบบดั้งเดิมที่อาศัยการประมวลผลข้อมูลเมื่อสิ้นวัน มีข้อจำกัดค่อนข้างชัดเจนในการรับมือกับพฤติกรรมการทุจริตที่เปลี่ยนแปลงอย่างรวดเร็วในปัจจุบัน เพราะเมื่อระบบตรวจพบความผิดปกติ เงินก็ถูกโอนออกไปแล้ว ส่งผลให้ไม่สามารถระงับหรือบล็อกธุรกรรมต้องสงสัยได้อย่างทันท่วงที การตรวจจับบัญชีม้าในยุคนี้จึงจำเป็นต้องอาศัยเทคโนโลยีแบบเรียลไทม์เท่านั้น”
การทลาย Data Silos
ธนาคารไทยส่วนใหญ่มีระบบ Core Banking ที่มีความซับซ้อนสูงและเผชิญกับปัญหาข้อมูลที่กระจายตัวอยู่ตามระบบต่างๆ (Data Silos) เช่น ข้อมูลในระบบ Mainframe ระบบธุรกรรม และระบบข้อมูลลูกค้าที่มักจะแยกขาดจากกัน ปัญหาข้อมูลที่แยกส่วนกันอยู่นี้ทำให้ธนาคารมองไม่เห็นภาพรวม ส่งผลให้การเชื่อมโยงเครือข่ายบัญชีม้า (Money Mule Networks) ทำได้ยากยิ่งขึ้น ตัวอย่างเช่น ระบบ Mainframe อาจเห็นเพียงว่าบัญชีใดมีการโอนเงินเข้าออกเท่าใด แต่ไม่รู้ว่าบัญชีเหล่านั้นเป็นของบุคคลเดียวกันหรือไม่ เนื่องจากข้อมูลตัวตนถูกเก็บไว้อีกระบบหนึ่ง
แนวทางของ Confluent ในการแก้ปัญหานี้คือการใช้แนวคิดที่เรียกว่า Mainframe Offload และการเชื่อมต่อผ่าน Connectors เพื่อดึงข้อมูลออกมาใช้งานต่อ โดยออกแบบให้เป็นการเชื่อมต่อแบบไม่รบกวนหรือส่งผลกระทบต่อเสถียรภาพการทำงานของระบบหลักเดิม เมื่อข้อมูลธุรกรรมและข้อมูลลูกค้าถูกดึงมาเชื่อมต่อและรวมศูนย์เข้าด้วยกันแบบเรียลไทม์ ธนาคารจะมองเห็นภาพใหญ่และตรวจจับพฤติกรรมการโอนเงินที่เข้าข่ายบัญชีม้าได้ทันที ระบบ Data Streaming นี้จะเข้ามาทำหน้าที่เสมือนท่อส่งข้อมูล หากมีข้อมูลอัปเดตรายชื่อบัญชีต้องสงสัยจากตำรวจหรือหน่วยงานรัฐ ระบบจะกระจายข้อมูลไปยังทุกช่องทาง และระงับธุรกรรมที่เกิดจากบัญชีในรายชื่อนั้นได้ทันทีก่อนเงินจะถูกโอนออกไป (Reactive) นอกจากนี้ยังรองรับการตรวจสอบเชิงรุก (Proactive) โดยใช้เทคโนโลยี Stream Processing เช่น Apache Flink ในการคำนวณและติดตามยอดธุรกรรม หากพบการโอนเข้าออกถี่ผิดปกติในเวลาอันสั้น โดยระบบคำนวณความเสี่ยงและเข้าจำกัดวงเงินได้ทันที ทั้งหมดนี้เกิดขึ้นได้โดยที่สถาบันการเงินไม่ต้องรื้อระบบ Core Banking เดิมทิ้ง แต่เป็นการต่อยอดสถาปัตยกรรมให้พร้อมรับมือกับการทุจริตยุคใหม่
เสริมความแม่นยำให้ AI
เมื่อการป้องกันภัยไซเบอร์เริ่มหันมาพึ่งพา AI ความแม่นยำของระบบ AI ในการวิเคราะห์พฤติกรรมผิดปกตินั้น ขึ้นอยู่กับความใหม่และความครบถ้วนของข้อมูลที่นำมาป้อนให้ระบบเป็นสำคัญ หาก AI ยังคงต้องทำงานบนข้อมูลที่อัปเดตเป็นรอบ ข้อมูลย้อนหลัง หรือเป็นข้อมูลเก่า ระบบจะประมวลหรือรับรู้ถึงข้อมูลเหตุการณ์ที่กำลังเกิดขึ้นจริงไม่ได้ ส่งผลให้การตรวจจับล่าช้าและมีความเสี่ยงที่จะตัดสินใจผิดพลาด การเปลี่ยนมาใช้ Data Streaming เป็นท่อส่งข้อมูลแบบเรียลไทม์ จะช่วยให้ AI เห็นภาพปัจจุบันของพฤติกรรมลูกค้าได้ตลอดเวลา ทำให้ประเมินความเสี่ยงได้จากข้อมูลล่าสุด ทั้งประวัติการใช้งาน ระยะเวลาที่เปิดบัญชี และรูปแบบธุรกรรมที่เกิดขึ้นจริงในขณะนั้น
เคนนี่ ชิน ย้ำถึงความสำคัญของข้อมูลที่มีต่อ AI ว่า “ความแม่นยำของ AI ขึ้นอยู่กับความใหม่และความครบถ้วนของข้อมูล หาก AI ทำงานบนข้อมูลที่เป็นรอบหรือข้อมูลเก่า ระบบจะไม่รับรู้สิ่งที่เป็นปัจจุบันและเสี่ยงต่อการตัดสินใจผิดพลาด การใช้ Data Streaming เป็นท่อส่งข้อมูลแบบเรียลไทม์ จะช่วยให้ AI เห็นภาพปัจจุบันของพฤติกรรมลูกค้าได้ตลอดเวลา”
นอกจากนี้ การมีข้อมูลแบบเรียลไทม์ยังช่วยลดปัญหา False Positives หรือการที่ระบบไประงับบัญชีของลูกค้าปกติโดยผิดพลาด เคนนี่ได้ให้มุมมองสะท้อนถึงการบริหารงานของธนาคารว่า “โจทย์สำคัญของธนาคารไม่ใช่แค่ป้องกันการทุจริต แต่ต้องไม่กระทบลูกค้าที่ทำธุรกรรมปกติ การมีข้อมูลแบบเรียลไทม์ช่วยให้ AI ไม่ต้องตัดสินจากสัญญาณเพียงจุดเดียว แต่พิจารณาจากหลายปัจจัยต่อเนื่อง จึงลดโอกาสในการระงับบัญชีของลูกค้าโดยไม่จำเป็น และช่วยให้ธนาคารรักษาสมดุลระหว่างความปลอดภัยและประสบการณ์ของลูกค้าได้ดียิ่งขึ้น”
ความคุ้มค่าทางธุรกิจ
ผลลัพธ์ของการปรับใช้เทคโนโลยีนี้มีเครื่องพิสูจน์แล้วจากสถาบันการเงินหลายแห่ง กรณีของ Bank Rakyat Indonesia (BRI) ในภูมิภาคเอเชียตะวันออกเฉียงใต้ ซึ่งปรับใช้สถาปัตยกรรมแบบ event-driven ด้วยแพลตฟอร์มของ Confluent พบว่าลดเวลาในการตรวจจับความผิดปกติจากเดิมที่เคยใช้เวลาประมวลผลถึงสองสัปดาห์หรือหนึ่งเดือน ให้ทำได้ในทันที ไปจนถึงการยกระดับประสบการณ์ลูกค้าด้วยการลดเวลาการพิจารณาปล่อยสินเชื่อผ่านแอปพลิเคชันให้เหลือเพียง 2 นาที ในทวีปยุโรป EVO Banco ธนาคารดิจิทัลชั้นนำของสเปน ก็ได้ใช้โมเดล Machine Learning ร่วมกับ Confluent Cloud สตรีมข้อมูลจากตู้ ATM และระบบโมบายแบงก์กิ้ง ทำให้ธนาคารบล็อกธุรกรรมทุจริตได้เฉลี่ยถึง 500 รายการต่อวัน และลดความเสียหายจากการทุจริตรายสัปดาห์ลงได้ถึง 99 เปอร์เซ็นต์
การลงทุนในโครงสร้าง Real-time Data Streaming จึงไม่ได้ให้ผลตอบแทนเพียงแค่การปฏิบัติตามกฎระเบียบ (Compliance) ของธนาคารแห่งประเทศไทยเท่านั้น แต่ยังสร้างความคุ้มค่าทางธุรกิจอย่างมหาศาล ทั้งในแง่ของการลดความเสี่ยงจากหนี้เสีย ลดต้นทุนความเสียหายจากการทุจริต และลดต้นทุนด้านไอทีในระยะยาว เนื่องจาก Confluent เข้ามาทำหน้าที่เสมือน "ศูนย์กลางระบบประสาทของข้อมูล" ช่วยลดความซับซ้อนของสถาปัตยกรรมแบบ point-to-point นอกจากนี้ข้อมูลชุดเดียวกันที่อยู่ในระบบเรียลไทม์ ยังนำไปต่อยอดเพื่อสร้างรายได้ใหม่ๆ เช่น การทำ Hyper-personalization นำเสนอผลิตภัณฑ์ที่ตรงกับความต้องการของลูกค้าแบบเฉพาะบุคคลได้อย่างแม่นยำและทันท่วงที
ท้ายที่สุด ธุรกิจสถาบันการเงินนั้นขับเคลื่อนด้วยความเชื่อมั่น การที่ธนาคารตรวจจับและตอบสนองต่อภัยคุกคามได้อย่างทันท่วงที โดยไม่สร้างผลกระทบต่อประสบการณ์การใช้งานของลูกค้าปกติ จึงถือเป็นหัวใจสำคัญที่พิสูจน์ให้เห็นว่า Data Streaming ไม่ใช่เทคโนโลยีทางเลือกอีกต่อไป แต่เป็นความจำเป็นเชิงกลยุทธ์ที่จะช่วยปกป้องบทบาท ความน่าเชื่อถือ และขีดความสามารถในการแข่งขันของสถาบันการเงินไทยในยุคเศรษฐกิจดิจิทัล
