أجهزة الصراف الآلي – رؤية لمستقبل الحلول الأمنية

أصبحت أجهزة الصراف الآلي جزءاً أساسياً من البنية التحتية المصرفية الحديثة، حيث توفر الوصول المالي على مدار الساعة. ومع ذلك، فإن هذه المرافق المنتشرة في كل مكان عرضة بشكل متزايد لمجموعة من الأنشطة الإجرامية، بما في ذلك السرقة والتخريب والوصول غير المصرح به. لمواجهة هذه التحديات، أضيفت أنظمة المراقبة، التي تعتمد بشكل كبير على كاميرات الدوائر التلفزيونية المغلقة (CCTV)، كخط دفاع أساسي. على الرغم من فعاليتها في تسجيل الأنشطة، إلا أن هذه الأنظمة تعاني من عدم الكفاءة الناجمة عن المراقبة اليدوية والاستجابة المتأخرة. ومع تقدم التكنولوجيا وتطور أنماط الجريمة، ارتفع الطلب على الحلول الذكية والآلية لاكتشاف التغييرات عن السلوك الطبيعي بشكل أسرع. يشارك معكم روبودين بعض الأفكار عن استخدام التعلم العميق وأنظمة التنبيه في الوقت الفعلي لمعالجة التحديات الأمنية الرئيسة وتحسين مراقبة أجهزة الصراف الآلي.

تحديات أمن أجهزة الصراف الآلي

تعتمد أنظمة مراقبة أجهزة الصراف الآلي التقليدية بشكل أساسي على كاميرات الدوائر التلفزيونية المغلقة (CCTV)، والتي تلتقط لقطات فيديو للمراقبة. غالباً ما تكون هذه الأنظمة ثابتة وتوفر وسيلة سلبية لمراقبة الأنشطة داخل مباني أجهزة الصراف الآلي. كما تعمل كرادع إلى حد ما ولكنها محدودة بسبب اعتمادها على المشغلين البشريين لتحديد السلوكيات أو النشاطات المشبوهة. يؤدي هذا الاعتماد على المشغل البشري إلى عدم الكفاءة، مثل الاستجابات المتأخرة وعدم القدرة على التصرف بسرعة أثناء المواقف الحرجة. على سبيل المثال، تفتقر هذه الأنظمة إلى الميزات المتقدمة اللازمة للتمييز بين الإجراء الطبيعي والمريب. سيؤدي ذلك إلى الغرق في الإنذارات الكاذبة المتكررة.
على مر السنين، ساهم التطور التكنولوجي في سد هذه الفجوات. في المراحل المبكرة من تقنيات اكتشاف النشاطات المريبة، كان الأمر يتضمن استخدام نماذج التعلم الآلي الخاضعة للإشراف للتصنيف بناءاً على بيانات الصور. على الرغم من أن مثل هذه الأساليب قد حسنت الدقة مقارنة بالمراقبة اليدوية البسيطة، إلا أنها عانت من العديد من المشاكل.
لقد أدى ظهور التعلم العميق إلى إحداث تحول في نموذج اكتشاف النشاطات المثيرة للشبهة، من خلال توفير إمكانية تحليل الأنماط اعتماداً على بيانات الفيديو والصور. لكن الشبكات العصبية التلافيفية (CNNs) باتت أكثر شيوعاً بفضل قدرتها على استخراج الميزات تلقائياً من الصور. بالتالي يمكن للبحث أن يصنع نماذج لتصنيف الحالات الشاذة بدقة كافية لاستخدامها في تطبيقات المراقبة في الوقت الفعلي.

عانت حلول المراقبة، المصممة كأدوات مراقبة سلبية، على مشغلين بشريين لمراجعة لقطات الفيديو والاستجابة للأنشطة المشبوهة. ويفرض هذا الاعتماد تحديات كبيرة ومنها:

• وقت الاستجابة المتأخر: غالباً ما يأتي التدخل البشري بعد ارتكاب الجريمة، مما يقلل من فرصة الردع أو إلقاء القبض على المجرمين متلبسين.
• أخطاء المراقبة: تعتبر المراقبة اليدوية عرضة للأخطاء، خاصة أثناء الذروة أو عندما يكون المشغلون مرهقين.
• نتائج إيجابية كاذبة (false positive): تفتقر الأنظمة التقليدية إلى القدرة على التمييز بين السلوكيات الطبيعية والمريبة، مما يؤدي إلى إنذارات كاذبة متكررة.

التعلم العميق في خدمة أمن المعلومات

هناك حاجة ماسة إلى تعزيز أمن أجهزة الصراف الآلي من خلال دمج المراقبة في الوقت الفعلي مع الاستجابات الآلية للكشف عن السلوكيات المشبوهة، مثل دخول العديد من الأشخاص إلى مساحة أجهزة الصراف الآلي في وقت واحد
أو حمل الأسلحة. ويستفيد هذا النظام من قوة الشبكات العصبية التلافيفية (CNNs)، للكشف عن الشذوذ. يحدد النظام وينبه التهديدات المحتملة لكل من المستخدم والجهات الأمنية للاستجابة في الوقت المناسب من خلال التكامل مع الكاميرات المثبتة في أجهزة الصراف الآلي.

أحدث تقديم التعلم العميق ثورة في كيفية عمل أنظمة المراقبة. تعد الشبكات العصبية التلافيفية (CNNs) مناسبة بشكل خاص لتحليل الصور والفيديو، حيث تستخرج تلقائياً الميزات دون الحاجة إلى البرمجة اليدوية. ومع ذلك، واجهت التطبيقات العديد من التحديات:

• صعوبة تحقيق التوازن بين الكفاءة ودقة الكشف.
• ضعف قدرة النظام على اكتشاف الأنماط المعقدة.
• صعوبة تكيف الأنظمة مع البيئات الديناميكية مثل أجهزة الصراف الآلي.

ولمعالجة هذه التحديات يتطلب الأمر تحسين المعالجة في الوقت الفعلي والدقة العالية في اكتشاف الكائنات والأنماط.

الجيل الجديد من أمن أجهزة الصراف الآلي

يفترض أن يراقب النظام الأمني منطقة دخول أجهزة الصراف الآلي. في حالة دخول أكثر من شخص إلى محيط أجهزة الصراف الآلي في نفس الوقت، يكتشف النظام هذه الشذوذ ويرسل تنبيهاً للمعنيين. كما يتم تشغيل رسالة صوتية داخل غرفة الصراف الآلي لتنبيه المستخدم، ويتم إرسال رسالة إلى الشرطة باستخدام Telegram كإجراء فوري. وإضافة لما سبق، يمكن تدريب النموذج أيضاً على اكتشاف الأسلحة التي يتم حملها قرب ماكينة الصراف الآلي. إذا حدد النظام وجود سلاح، فإنه يطلق إنذار و يعلم الشرطة بما يساهم في منع الجرائم مثل سرقات ماكينات الصراف الآلي. وتتفاعل هذه الحلول الأمنية مع الكاميرات المثبتة على ماكينة الصراف الآلي، حيث يتم التقاط البث المباشر، ويتم معالجتها في الوقت الفعلي من خلال نموذج CNN. يتيح هذا للنظام الأمني القدرات اللازمة لاكتشاف التهديد في أسرع وقت ممكن. ولن تكون هناك حاجة إلى أي أجهزة أخرى باستثناء كاميرات أجهزة الصراف الآلي القياسية.

بناء نظام مراقبة ذكي

تأتي قوة هذه الأنظمة الأمنية من قدرتها على جمع البيانات ومعالجتها مسبقاً، بحيث يعتمد نجاح النظام على مجموعة بيانات قوية تشمل سيناريوهات مختلفة لأجهزة الصراف الآلي:

• السلوك الطبيعي: المستخدمون الفرديون الذين ينفذون معاملات عادية.
• الأنشطة المشبوهة: دخول العديد من الأفراد لمنطقة الصراف الآلي أو إظهار سلوك عدواني.
• الأفعال الإجرامية: الدخول القسري أو وجود أسلحة.

تتم معالجة مجموعات البيانات من خلال تغيير حجم الصور، تقنيات مثل التدوير والتكبير والتصغير لتحسين قوة النموذج. وتوفير الوقت وتحسين الدقة لتحديد السلوكيات الخاصة ببيئات الصرافات، مثل التسكع حول الصراف أو إخفاء الأسلحة. وبمجرد التدريب، يعالج النموذج موجزات الفيديو الحية للكشف عما يثير الشبهة. وتنشئ التنبيهات تلقائياً، كما يمكن لموظفي الأمن مراقبة الأحداث. وتقاس قوة هذه الأنظمة الأمنية وفق قدرتها على كشف وتحديد التهديدات بشكل فعال والدقة والتذكر بالإضافة لوقت استجابة أقل من ثانيتين، يلجأ بعده النظام للتدخل الفوري.

تطور أمان أجهزة الصراف الآلي

لا تتوقف الشركات عن تطوير حلول أمنية لمعالجة المخاطر التي تواجهها أجهزة الصراف الآلي وتتضمن خيارات التطوير استخدام التعرف على الوجه لتحديد الأفراد المدرجين في القائمة السوداء أو أولئك الذين لديهم تاريخ احتيالي. ويمتد الأمر لتوظيف الكشف عن لغة الجسد كالعلامات العصبية أو العدوانية، مما يوفر تحذيرات أمنية استباقية. ويمكن للأجهزة الذكية مثل الأقفال الآلية أو مصابيح الطوارئ أن تعزز الأمان بشكل أكبر كما يسمح الانتقال إلى الأنظمة الأمنية السحابية بمرونة أعلى و قدرات أفضل على الإدارة.

كلمة أخيرة

من خلال أتمتة اكتشاف الحالات الغير معتادة وتمكين التنبيهات في الوقت الفعلي، سيتم تجاوز نقاط الضعف في المراقبة التقليدية لأنظمة الصراف الآلي. كما يساعد التعرف على الوجه والتكامل مع انترنت الأشياء في الوصول لبيئة مصرفية أكثر أماناً للمستخدمين.