F-Secure و QuTwo می‌خواهند کلاهبرداری را با هوش مصنوعی روی گوشی شناسایی کنند

F-Secure و QuTwo با فشرده‌سازی مدل‌های هوش مصنوعی به‌دنبال اجرای تشخیص کلاهبرداری روی دستگاه کاربران و کاهش وابستگی به فضای ابری هستند.

نویسنده:

بهراد یوسفی

شرکت امنیت سایبری F-Secure و آزمایشگاه هوش مصنوعی QuTwo از گسترش همکاری خود برای اجرای مدل‌های تشخیص تهدید روی دستگاه‌های کاربران خبر داده‌اند. در این همکاری، فناوری فشرده‌سازی هوش مصنوعی QuTwo قرار است مدل‌های سنگین تشخیص کلاهبرداری را کوچک‌تر کند تا بتوان آن‌ها را مستقیماً روی گوشی و دیگر دستگاه‌های مصرف‌کنندگان اجرا کرد. هدف، شناسایی سریع‌تر نشانه‌های کلاهبرداری، کاهش وابستگی به پردازش ابری و حفظ بیشتر حریم خصوصی کاربران است.

فشرده‌سازی هوش مصنوعی برای مقابله با کلاهبرداری

بر اساس اطلاعیه رسمی منتشرشده در ۲۶ اکتبر ۲۰۲۶، F-Secure و QuTwo همکاری قبلی خود را گسترش می‌دهند تا مدل‌های تشخیص تهدید با کمک فناوری فشرده‌سازی هوش مصنوعی، روی دستگاه‌های مصرف‌کنندگان قابل اجرا شوند.

چالش اصلی این است که مدل‌های پیشرفته تشخیص کلاهبرداری برای تحلیل متن، تصویر، ویدئو و زمینه پیام‌ها به منابع محاسباتی قابل‌توجهی نیاز دارند. به همین دلیل، برخی راهکارهای امنیتی برای تحلیل داده‌ها به سرویس‌های بیرونی یا زیرساخت‌های ابری متکی هستند.

QuTwo می‌خواهد با کوچک‌سازی این مدل‌ها، امکان اجرای آن‌ها را روی دستگاه‌هایی مانند گوشی‌های هوشمند فراهم کند. در این رویکرد، سیستم امنیتی می‌تواند محتوای مشکوک یا رویدادهای مرتبط را روی خود دستگاه بررسی کند و برای شناسایی نشانه‌های کلاهبرداری، در موارد پشتیبانی‌شده، نیازی به ارسال داده به فضای ابری نداشته باشد.

فناوری QuTwo چگونه کار می‌کند؟

فناوری معرفی‌شده از ترکیب روش‌های متداول فشرده‌سازی مدل‌های هوش مصنوعی با یک لایه اختصاصی بازیابی دقت استفاده می‌کند که شرکت آن را مبتنی بر اصول الهام‌گرفته از محاسبات کوانتومی توصیف کرده است.

هدف این روش، کاهش اندازه مدل بدون افت شدید کیفیت عملکرد آن است. کوچک‌تر شدن مدل می‌تواند اجرای هوش مصنوعی روی دستگاه‌هایی با حافظه و توان پردازشی محدود را امکان‌پذیرتر کند.

طبق اعلام QuTwo، در آزمایش‌هایی روی ابررایانه LUMI، مدل‌هایی از هفت خانواده مختلف دست‌کم ۹۰ درصد فشرده شده‌اند و بین ۹۱ تا ۹۵ درصد از کیفیت خود را حفظ کرده‌اند. این ارقام به نتایج آزمایش‌های اعلام‌شده از سوی شرکت مربوط‌اند و نباید آن‌ها را بدون ارزیابی مستقل، معادل دقت نهایی سامانه ضدکلاهبرداری روی گوشی کاربران دانست.

این فناوری چه کمکی به کاربران می‌کند؟

یکی از کاربردهای موردنظر این همکاری، تحلیل پیام‌ها و محتوای چندرسانه‌ای برای یافتن نشانه‌های کلاهبرداری است. مجرمان می‌توانند با استفاده از هوش مصنوعی، پیام‌های فریبنده و محتوای متقاعدکننده‌تری تولید کنند؛ در نتیجه، شناسایی تهدید صرفاً با جست‌وجوی چند واژه مشکوک کافی نیست.

مدل‌های هوش مصنوعی می‌توانند با بررسی زمینه و منظور پیام، نشانه‌های مشکوک را بهتر تحلیل کنند. اجرای چنین مدلی روی دستگاه ممکن است امکان بررسی سریع‌تر محتوا و ارائه هشدار را فراهم کند؛ حتی در شرایطی که اتصال شبکه در دسترس نیست، مشروط به اینکه قابلیت موردنظر برای پردازش محلی طراحی شده باشد.

برای مثال، در یک سناریوی احتمالی، سامانه امنیتی می‌تواند پیام جعلی حاوی درخواست فوری پرداخت یا محتوای مشکوک ارسال‌شده در یک پیام‌رسان را بررسی کند. با این حال، اطلاعیه همکاری به‌تنهایی ثابت نمی‌کند که همه پیام‌رسان‌ها، تماس‌ها یا پیامک‌ها در نسخه نهایی محصول به‌صورت خودکار پایش خواهند شد.

آیا اجرای هوش مصنوعی روی گوشی حریم خصوصی را تضمین می‌کند؟

پردازش محلی می‌تواند میزان انتقال داده‌های شخصی به زیرساخت‌های بیرونی را کاهش دهد؛ اما این موضوع به نحوه طراحی و پیاده‌سازی محصول نهایی بستگی دارد.

اگر تحلیل محتوا به‌طور کامل روی دستگاه انجام شود، داده مورد بررسی برای همان تحلیل لزوماً نباید به سرور ارسال شود. بااین‌حال، ممکن است بخش‌های دیگری از سرویس، مانند به‌روزرسانی، گزارش خطا یا قابلیت‌های مبتنی بر ابر، همچنان به ارتباط شبکه نیاز داشته باشند.

بنابراین، برای ارزیابی میزان حفاظت از حریم خصوصی باید سیاست انتقال داده، نوع اطلاعات جمع‌آوری‌شده، تنظیمات محصول و شیوه نگهداری داده‌ها بررسی شود. عبارت «پردازش روی دستگاه» به‌تنهایی به معنای تضمین مطلق حریم خصوصی نیست.

وضعیت عرضه این قابلیت چیست؟

اطلاعیه ۲۶ اکتبر F-Secure و QuTwo از گسترش همکاری و به‌کارگیری فناوری فشرده‌سازی مدل‌ها برای ارائه قابلیت‌های امنیتی روی دستگاه خبر می‌دهد. در این اعلامیه، مشتریان و شرکای F-Secure نخستین بهره‌مندان موردنظر این همکاری معرفی شده‌اند.

بااین‌حال، این خبر به‌تنهایی به معنای عرضه عمومی یک اپلیکیشن مستقل برای نصب روی گوشی‌ها نیست. جزئیات کامل زمان‌بندی عرضه، فهرست دستگاه‌های پشتیبانی‌شده و عملکرد نهایی قابلیت‌ها باید بر اساس اطلاعیه‌های بعدی شرکت‌ها ارزیابی شود.

جمع‌بندی

همکاری F-Secure و QuTwo نشان می‌دهد که فشرده‌سازی مدل‌های هوش مصنوعی می‌تواند یکی از مسیرهای توسعه ابزارهای امنیتی مبتنی بر پردازش محلی باشد. کوچک‌تر شدن مدل‌ها، اجرای قابلیت‌های پیشرفته تشخیص کلاهبرداری را روی دستگاه‌های مصرف‌کنندگان عملی‌تر می‌کند و می‌تواند به کاهش تأخیر و وابستگی به پردازش ابری کمک کند.

بااین‌حال، ارزش عملی این فناوری به عملکرد مدل در برابر کلاهبرداری‌های واقعی، میزان مصرف منابع دستگاه، نرخ تشخیص اشتباه و نحوه مدیریت داده‌های کاربران بستگی دارد. تا زمان انتشار جزئیات بیشتر از محصول نهایی، باید میان نتایج آزمایش فشرده‌سازی و اثربخشی واقعی سامانه ضدکلاهبرداری تفاوت قائل شد.