إن الميل إلى تقليل المعاملات المادية المباشرة في أنشطتنا يفتح الباب واسعا أمام عمليات الاحتيال، خاصة أنه في زمن التحكم بأدوات الذكاء الرقمي والاصطناعي، تزداد قدرة المجرمين ويتسع خيالهم لمزيد من طرق استخراج الأموال.

بهاتين الملاحظتين، قدمت صحيفة لوموند (Le Monde) الفرنسية مقالا بقلم الصحفية صوفي كولييه- حاولت فيه إلقاء الضوء على الطرق الجديدة في الاحتيال عبر الإنترنت التي اتسع مجالها وتنوع مع تطور الذكاء الاصطناعي وانتشار التعامل الافتراضي.

وافتتح المقال بحالة خاصة من الاحتيال، عندما صوت عدد من الناس لصالح جورج سانتوس، الذي انتخب للكونغرس الأميركي في نوفمبر/تشرين الثاني 2022 بين صفوف الجمهوريين، وهم يعتقدون أنهم صوتوا لممول شاب متعلم ببراعة ومن أصل يهودي مثلي الجنس وصاحب العديد من المنازل، في حين أن كل ذلك لم يكن صحيحا، بل هو من أصل برازيلي ولديه مشاكل مع نظام العدالة في بلده، وهو منفصل عن زوجته، وقد اعترف أخيرا بأنه كاثوليكي.


هذا الشخص وجه إليه اتهام في مايو/أيار، لا بسبب أكاذيبه وتضليله الذي يعتبره مجرد أخطاء، ولكن بسبب الاحتيال المالي وغسل الأموال واختلاس الأموال العامة، علما بأن هذا النوع من المزورين والكذابين والمتحايلين يعج بهم التاريخ، وقد لا يتم الكشف عنهم جميعا، لكن قدرتهم على الأذى والإضرار غالبا ما تكون محدودة لولا تقدم التقنيات الرقمية، وخاصة الذكاء الاصطناعي الذي جعل الاحتيال والتزوير يأخذان نطاقا غير مسبوق وأكثر إثارة للقلق.

والجديد بهذا السياق -حسب المقال- هو أن التقنيات تجعل التزوير والاحتيال أمورا متاحة للجميع وبتكلفة أقل ودون الحاجة إلى إتقان أجهزة الحاسوب أو الترميز، وذلك من خلال حلول برامج مجمعة يتم شراؤها "على الرف" على شبكة الإنترنت المظلمة، وهكذا يتمكن المجرمون من إطلاق عملية احتيال واسعة النطاق بسرعة ويختفون في لحظة دون ترك أثر.

ونبهت الكاتبة إلى وجود هدفين للاحتيال غالبا، هما التلاعب الذي يتعلق بالدعاية والتجسس وما شابه، والسرقة، ومثلت للتلاعب بحملة "دوبلغانغر" (Doppelgänger) الأخيرة بقيادة روسيا التي أنتجت مواقع وروابط وهمية، اغتصبت الهوية المرئية للمواقع الحكومية والعديد من الصحف الأوروبية والفرنسية، بما فيها لوموند، مما أدى إلى مقالات روجت لروسيا وشوهت سمعة أوكرانيا والدول التي تدعمها.


مصداقية أكبر

وبفضل الذكاء الاصطناعي التوليدي من نوع "شات جي بي تي" (ChatGPT) فإن هذه المنظمات -التي تنشر على نطاق واسع معلومات كاذبة على الشبكات الاجتماعية- أصبحت قادرة على إنتاج محتوى مهذب وسليم اللغة، يجعل اكتشاف المواقع المزيفة أكثر صعوبة، ويسمح بزعزعة الاستقرار الجيوسياسي، في حملات واسعة النطاق أو بجمع معلومات إستراتيجية، مثل حملة التجسس الإلكتروني التي نفذتها روسيا ضد قطاع الدفاع الأوروبي، كما صرح بذلك خبير الأمن السيبراني بينوا غونيموالد.

ولم يتأخر الاحتيال المالي في استغلال الإبداع الذي أحدثته التكنولوجيا الرقمية لتحسين العرض وزيادة المصداقية، فقد استطاع موقع شبيه لموقع الوكالة الوطنية للمعالجة الآلية للمخالفات توجيه رابط يطلب من الشخص إدخال التفاصيل الخاصة به، بما فيها التفاصيل المصرفية، لدفع غرامة مزعومة، وذلك بهدف جمع البيانات المصرفية الشخصية التي يتم بيعها على الويب المظلم.

وقد أصبح التوظيف هو الآخر ملعبا لمجرمي الإنترنت، حيث ينتشر العمل عن بعد على نطاق واسع. وتقول شركة رموت (Remote) التي توظف وتدير وتكافئ الموظفين في جميع أنحاء العالم نيابة عن الشركات "اكتشفنا أن الموظف الذي أراد أحد عملائنا تعيينه لم يكن موجودا، إذ كانت صورة جواز سفره عبارة عن صورة تم إنشاؤها بواسطة الذكاء الاصطناعي، وأوضح المدير القانوني للشركة سام روس أن "المزيد من التحقيق كشف أن ملفه الشخصي على الشبكات المهنية قد تم تغييره باستخدام عدة وجوه مزيفة تم إنشاؤها بواسطة الذكاء الاصطناعي".


استنساخ الصوت

وبالفعل، فتح انتشار التعامل الافتراضي الباب واسعا أمام عمليات احتيال جديدة، وتقول جينيفر ديستيفانو -التي أدلت بشهادتها أمام مجلس الشيوخ الأميركي حول مخاطر استنساخ الصوت باستخدام الذكاء الاصطناعي- إنها تلقت مكالمة من ابنتها وهي تبكي قائلة إنها اختطفت. وهدد الخاطف بإعدامها وطالب بفدية، إلا أن المحتال في الواقع كان يستخدم صوت ابنتها المعاد إنتاجه بواسطة الذكاء الاصطناعي.

وأشارت الكاتبة إلى أن "الأنشطة الإجرامية باستخدام الذكاء الاصطناعي والصوت آخذة في الازدياد على شبكة الإنترنت المظلمة، إذ توجد مجموعات نسخ سهلة الاستخدام لعمليات الاحتيال مثل "مكالمة طوارئ عائلية" أو "احتيال على الرئيس" بحيث يلعب المجرمون على الاستعجال والعاطفة واحترام التسلسل الهرمي، وهو ما يشكل مخاطر كبيرة بالنسبة للشركات خاصة من حيث المال والسمعة.

ومع أن هناك الآن أدوات لتمييز الصوت البشري عن صوت الآلة، فإن "هذه التكنولوجيا تتطور بشكل أسرع بكثير من التنظيم" كما يقول محلل البيانات هاندي غوفن، كما أن الأمن لا يتعلق فقط بالتكنولوجيا، بل يتعلق أيضا بالناس.

وخلصت كولييه إلى أن اليقظة يجب أن تكون ثابتة في لعبة القط والفأر الأبدية هذه، خاصة أن تبسيط عمليات الشراء عبر الإنترنت والدفع الافتراضي جعل الناس أقل حذرا. وبدافع الكسل، يسمحون لهواتفهم بإدارة الرمز السري وأرقام بطاقات الائتمان الخاصة بهم.

المصدر: الجزيرة

كلمات دلالية: الذکاء الاصطناعی

إقرأ أيضاً:

بدعم من الذكاء الاصطناعي.. هل تقودنا الروبوتات إلى وداع الأعمال المنزلية؟

كجزء كبير من التطور التكنولوجي، تلعب الروبوتات دورا مهما في المجالات الصناعية، كالمساعدة في تحسين الإنتاجية والجودة، واللوجيستية كالتغليف والتعبئة بشكل أسرع ودقة أكثر، والطبية كمساعدة الأطباء والجراحين في إجراء العمليات الدقيقة وتقديم الرعاية الصحية للمرضى الذين يحتاجون إلى الرعاية الخاصة، والبيئية المحدودة كجمع النفايات وتنظيف الشوارع.

ولكن على عكس الباحثين الذين يعملون على نماذج الذكاء الاصطناعي مثل شات جي بي تي ويواجهون كميات هائلة من نصوص الإنترنت والصور ومقاطع الفيديو لتدريب الأنظمة، فإن الروبوتيين يواجهون تحديات أثناء تدريب الآلات الفيزيائية، لأن البيانات الخاصة بالروبوتات مكلفة، وبسبب عدم وجود أساطيل من الروبوتات تجوب العالم، فليس هنالك بيانات كافية ومتاحة بسهولة لتجعلها تؤدي بشكل جيد في البيئات الديناميكية مثل منازل الناس، وبالرغم من أن بعض الباحثين توجهوا إلى المحاكاة لتدريب الروبوتات، فإن هذه العملية التي غالبا ما تتطلب مصمم جرافيك أو مهندسا، تحتاج كثيرا من الجهد والتكلفة العالية.

وفي هذا السياق قدم فريق من الباحثين من جامعة واشنطن دراستين جديدتين عن أنظمة ذكاء اصطناعي تستخدم إما الفيديو أو الصور لإنشاء محاكاة يمكن أن تدرب الروبوتات على العمل في بيئات حقيقية، حيث ستمكن هذه الأنظمة من خفض كبير في تكاليف تدريب الروبوتات على العمل في بيئات معقدة، وقد تمّ تقديم الدراسة الأولى في 16 يوليو/تموز الماضي، والدراسة الثانية في الـ19 من الشهر نفسه خلال مؤتمر "علوم وأنظمة الروبوتات" في دلفت في هولندا.

نظام ريل تو

كشفت الدراسة الأولى عن نظام الذكاء الاصطناعي "ريل تو" (RialTo) الذي أنشأه "أبهيشيك غوبتا" وهو أستاذ مساعد في كلية "بول جي ألين" لعلوم وهندسة الحاسوب والمؤلف المشارك في كلا الورقتين مع فريق في معهد "ماساتشوستس" للتكنولوجيا.

ويساعد النظام المستخدم في تسجيل فيديو لهندسة هذه البيئة وأجزائها المتحركة عن طريق هاتفه الذكي، على سبيل المثال في المطبخ سيسجل المستخدم كيفية فتح الخزائن والثلاجة، ثم يستخدم النظام نماذج الذكاء الاصطناعي الموجودة، ويقوم إنسان ببعض العمل السريع من خلال واجهة مستخدم رسومية لإظهار كيفية تحرك الأشياء.

ولإنشاء نسخة محاكاة من المطبخ المعروض في الفيديو يتدرب روبوت افتراضي عن طريق التجربة والخطأ في البيئة الافتراضية من خلال محاولاته المتكررة لأداء مهام مثل فتح الخزانة أو المحمصة.

وتعرف هذه الطريقة بـ"التعلم المعزز"، ويتحسن أداء الروبوت في تلك المهمة من خلال المرور بهذه العملية التعليمية، ويتكيف مع الاضطرابات أو التغيرات في البيئة التي يوجَد فيها، مثل وجود كوب بجانب المحمصة، حيث يمكن للروبوت بعد ذلك نقل تلك المعرفة إلى البيئة الفيزيائية، وأن يكون دقيقا تقريبا مثل الروبوت المدرب في المطبخ الحقيقي.

وقال غوبتا "نحاول تعليم الأنظمة على العالم الحقيقي من خلال المحاكاة".

ويمكن للأنظمة بعد ذلك تدريب الروبوتات في مشاهد المحاكاة هذه، حتى يتمكن الروبوت من العمل بشكل أكثر فعالية في الفضاء المادي، هذا مفيد للسلامة، ويرى غوبتا أنه لا يمكن أن يكون لديك روبوتات سيئة التدريب تكسر الأشياء وتؤذي الناس.

ويمضي فريق ريل تو قدما في رغبته لنشر نظامه في منازل الناس بعد أن تمّ اختباره بشكل كبير في المختبر، وقال غوبتا أنه يريد دمج كميات صغيرة من بيانات التدريب الواقعية مع الأنظمة لتحسين معدلات نجاحها.

روبوت المحادثة يمكنها التحدث إلى شخص ما من خلال الدردشة وتفسير كلماته والرد عليه وفقا لذلك (غيتي) نظام يو آر دي فورمر

في الدراسة الثانية، قام الفريق ببناء نظام يسمى يو آر دي فورمر (URD Former)، وهو نظام يركز بشكل أقل على الدقة العالية في مطبخ واحد، ويقوم بسرعة وبشكل رخيص بإنشاء مئات من المحاكاة العامة للمطابخ، حيث يمسح النظام الصور من الإنترنت، ثم بربطها بالنماذج الموجودة حول كيفية تحرك تلك الأدراج والخزائن في المطبخ مثلا، وبعد ذلك يتنبأ بمحاكاة من الصورة الحقيقية الأولية، الأمر الذي يسمح للباحثين بتدريب الروبوتات بسرعة وبتكلفة منخفضة في مجموعة واسعة من البيئات.

وقالت "زوي تشين" المؤلفة الرئيسية لدراسة يو آر دي فورمر "في مصنع على سبيل المثال هنالك الكثير من التكرار" وأضافت "قد تكون المهام صعبة التنفيذ، ولكن بمجرد برمجة الروبوت يمكنه الاستمرار في أداء المهمة مرارا وتكرارا. بينما المنازل فريدة ومتغيرة باستمرار، هنالك تنوع في الأشياء والمهام وتصاميم الأرضيات، بالإضافة إلى الأشخاص الذين يتحركون من خلالها، وهنا يصبح الذكاء الاصطناعي مفيدا حقا لتدريب الروبوتات".

في سياق متصل، نبهت ورقة الدراسة إلى أن هذه المحاكاة أقل دقة بشكل ملحوظ من تلك التي تنتجها "ريل تو"، وقد قال الباحث "غوبتا" الذي أنشأ هذا الأخير "يمكن أن تكمل الطريقتان بعضهما البعض، يو آر دي فورمر مفيد حقا للتدريب المسبق على مئات السيناريوهات، في حين "ريل تو" مفيد بشكل خاص إذا كنت قد قمت بالفعل بتدريب روبوت، والآن تريد نشره في منزل شخص ما وتحقيق نجاح بنسبة 95%".

ما التعلم المعزز حسب المنظور الآلي؟

يعرف التعلم المعزز "آر إل" (RL) كفرع من فروع تعلم الآلة الذي يدرب البرامج على اتخاذ القرارات لتحقيق أفضل النتائج، عن طريق استخدام أسلوب التعلم بالمحاولة والخطأ الذي يستخدمه البشر لتحقيق أهدافهم.

وهذا يعني أن البرامج التي تعمل على تحقيق الهدف يتمّ تعزيزها، أمّا الإجراءات التي تنتقص من الهدف فيتمّ تجاهلها، وتشبه هذه العمليّة التعلم المعزز للإنسان والحيوان في مجال علم النفس السلوكي، مثل الطفل الذي يكتشف أنه يتلقى الثناء من والديه عندما يساعد شقيقه مثلا، ويتلقى ردود فعل سلبية عندما يصرخ أو يرمي ألعابه، ثم سرعان ما يتعلم مجموعة الأنشطة التي تؤدي إلى المكافأة النهائيّة.

وتقوم عملية التعلم المعزز على 3 خطوات مهمة:

1- البيئة

تبدأ الخطوة الأولى في التعلم المعزز في إعداد بيئة التدريب، وغالبا ما تكون بيئة محاكاة بمواصفات للملاحظات، والإجراءات (وهي خطوة يتخذها النظام الذاتي للتنقل في البيئة)، والمكافآت (وهي القيمة الإيجابية أو السلبية أو الصفرية بمعنى أوضح المكافأة أو العقاب لاتخاذ الإجراء).

وتشير مساحة الملاحظة عادة إلى مصادر المستشعر المتاحة على النظام الروبوتي الحقيقي ومدخلات التحكم المرغوبة، بينما توجد مساحات إجراءات منفصلة في تطبيقات التعلم المعزز الأخرى، إذ يفضل في الروبوتات عادة الإجراءات المستمرة التي تغطي على سبيل المثال أهداف موضع أو سرعة المفاصل، نظرا لأن المهام الروبوتية غالبا ما تتضمن قيودا إمّا على النظام الفيزيائي (مثل حدود المفاصل)، أو بعض أنماط السلوك المرغوبة، وتستخدم عادة وظائف المكافأة الكثيفة لتشفير بعض مواصفات الأهداف بشكل صريح.

2- التدريب

تشمل الخطوة الثانية من التعلم المعزز في الروبوتات تحديد نظام التدريب الفعلي للوكيل (وهو خوارزمية ما يسمى بالنظام الذاتي)، وعلى الرغم من وجود طرق مختلفة لتمثيل السياسة النهائية، فإنه يتمّ اعتماد الشبكات العصبية العميقة لتحديد العلاقة بين الحالة والإجراء (هو خطوة يتخذها وكيل "آر إل" للتنقل في البيئة) بسبب قدرتها على التعامل مع انعدام الرتابة، وأيضا يتمّ اقتراح مجموعة واسعة من الخوارزميات المحتملة على مدى السنوات الماضية.

وأما بالنسبة للتحكم في الروبوتات، فيتم عادة اعتماد خوارزميات التعلم المعزز غير المعتمدة على النموذج، لأنها لا تتطلب نموذجا حقيقيا للبيئة، والذي غالبا ما يكون غير متاح للروبوت، وهي مثالية عندما تكون البيئة غير معلومة ومتغيرة، بعكس خوارزميات التعلم المعزز المعتمدة على النموذج، التي تستخدم عادة عندما تكون البيئات محددة جيدا وغير متغيرة حيث يكون اختبار بيئة العالم الحقيقي صعبا.

3- النشر

بعد تقييم السياسات المدربة بنجاح في بيئات التدريب الافتراضية، يتمّ نشرها في النظام الروبوتي الحقيقي، ويعتمد نجاح النشر على عدة عوامل منها الفجوة بين العالم الافتراضي والعالم الحقيقي، وصعوبة المهمة التعليمية المقبلة، أو تعقيد منصة الروبوت نفسها.

مقالات مشابهة

  • جوجل تضيف المزيد من الذكاء الاصطناعي في البحث
  • جديد الذكاء الاصطناعي.. يمكنه اكتشاف المشاعر!
  • «مايكروسوفت» تطلق حواسيب جديدة مدعومة بـ«الذكاء الاصطناعي»
  • الدويري: رمزية مزدوجة ورسائل محلية وإقليمية بكمين القسام الجديد
  • مواقع أثرية مدفونة تحت رمال الصحراء..كيف سيساهم الذكاء الاصطناعي بالكشف عنها؟
  • بدعم من الذكاء الاصطناعي.. هل تقودنا الروبوتات إلى وداع الأعمال المنزلية؟
  • رحلة الترجمة من القواميس الورقية إلى الذكاء الاصطناعي
  • قوة صاعدة: فرص الإمارات في سباق الذكاء الاصطناعي
  • جورجينا توضح أكثر الكلمات العربية التي تستخدمها
  • حزب العدل يتناول تحولات السياسة في عصر الذكاء الاصطناعي