نکات کلیدی:
- بیومتریک، تجزیه و تحلیل رفتاری و داده های بین پلتفرمی کلیدی هستند
- یادگیری پایدار با اعتماد صفر و آمادگی سایبری آغاز می شود
- مناطق K-12 با باج افزار مبارزه می کنند، اما تیم های فناوری اطلاعات تاوان آن را می پردازند
- برای اخبار بیشتر درباره هوش مصنوعی و امنیت سایبری، از مرکز رهبری فناوری اطلاعات eSN دیدن کنید
در مدارس امروزی، خواه K-12 یا آموزش عالی، هوش مصنوعی کلاس‌های درس هوشمندتر را تقویت می‌کند. یادگیری شخصی‌شده‌تر و وظایف اداری سریع‌تر وجود دارد. و خود دانش‌آموزان بیش از هر زمان دیگری با هوش مصنوعی درگیر هستند و 70 درصد گفته‌اند که از ابزار هوش مصنوعی برای تغییر یا ایجاد تصاویر کاملاً جدید استفاده کرده‌اند. اما در حالی که معلمان و دانش آموزان وعده هوش مصنوعی را می پذیرند، مجرمان سایبری از آن سوء استفاده می کنند.
در سال 2025، وزارت آموزش و پرورش ایالات متحده گزارش داد که تقریباً 150000 هویت مظنون در فرم های اخیر کمک های دانشجویی فدرال نشان داده شده است که به ضرر 90 میلیون دلاری کمک مالی مربوط به متقاضیان واجد شرایط کمک کرده است. از کلاهبرداری عمیق در پذیرش گرفته تا دانشجویان مصنوعی که به پورتال های آنلاین نفوذ می کنند و اطلاعات تحقیقاتی ارزشمند را تهدید می کنند، کلاهبرداری هویت مبتنی بر هوش مصنوعی به سرعت در حال رشد است و موسسات آموزشی ما به طرز نگران کننده ای آمادگی لازم را ندارند.
از آنجایی که تاکتیک‌های کلاهبرداری هویت مقیاس‌پذیر و متقاعدکننده‌تر می‌شوند، اکنون مناطق برای اجرای ابزارهای پیشرفته برای دستگیری دانش‌آموزان تقلبی قبل از اینکه از شکاف‌ها خارج شوند، رقابت می‌کنند. سه روند کلاهبرداری، رهبران فناوری اطلاعات و امنیت آموزشی را در شب بیدار نگه می‌دارند و هوش مصنوعی تأثیر آنها را تقویت می‌کند.
1. کلاهبرداری با هدف آموزش
حقیقت سخت اینجاست: کلاهبرداران در شبکه ها فعالیت می کنند، اما اکثر مدارس به تنهایی با کلاهبرداری مبارزه می کنند.
حلقه های هماهنگ می توانند صدها هویت مصنوعی را در مدارس یا مناطق مستقر کنند. این گروه‌ها بیومتریک‌ها را بازیافت می‌کنند، از اسناد جعلی استفاده مجدد می‌کنند و روش‌های حمله را در انجمن‌های وب تاریک به اشتراک می‌گذارند.
برای داشتن یک شانس منصفانه در نبرد، مؤسسات آموزشی باید با کارشناسان تأیید هویت کار کنند که از طریق ارزیابی ریسک معاملات متقابل، دیدی جامع از چشم‌انداز تهدید را امکان‌پذیر می‌سازند. این ارزیابی‌ها الگوهای مخاطره‌آمیز دستگاه‌ها، آدرس‌های IP و رفتار کاربر را شناسایی می‌کنند و به مؤسسات کمک می‌کنند تا دسته‌هایی از کلاهبرداری را کشف کنند که به‌صورت مجزا قابل مشاهده نیستند.
2. دیپ فیک و سلفی های تزریقی هنگام ضبط از راه دور
تشخیص چهره زمانی یک خط دفاعی قابل اعتماد برای آموزش از راه دور و بررسی تست بود. اما کلاهبرداران اکنون می‌توانند از شبیه‌سازها و دوربین‌های مجازی برای دور زدن این بررسی‌ها استفاده کنند و چهره‌های تولید شده توسط هوش مصنوعی را در جریان قرار دهند تا خود را به عنوان دانشجو نشان دهند. در آموزش، جایی که داده‌های دانش‌آموزان معدن طلا هستند و سیستم‌ها به طور فزاینده‌ای از راه دور هستند، این خطر حتی بیشتر است.
به عنوان مثال، در محیط های کاری مجازی، کسب و کارها در حال حاضر شاهد افزایش استفاده از تقلبی های عمیق در طول مصاحبه های شغلی هستند. تا سال 2028، گارتنر پیش بینی می کند که از هر 4 متقاضی شغل در سراسر جهان، 1 نفر جعلی خواهد بود. در بخش آموزش هم همینطور است. اکنون ما دانشجویان قلابی را می‌بینیم که با شناسه‌های دولتی جعلی و سلفی‌های متقاعدکننده کامل شده‌اند، سیستم‌های خود را از دست داده و وارد خطوط لوله کمک‌های مالی می‌شوند.
پس راه حل چیست؟ هوش هویت بیومتریک، که به طور فزاینده ای مورد اعتماد دانش آموزان قرار می گیرد، می تواند ریزحرکات، نور و عمق چهره را بررسی کند و تأیید کند که آیا یک شخص واقعی پشت صفحه وجود دارد یا خیر. بررسی های چندوجهی (ترکیب داده های بصری، حرکتی و حتی صوتی) برای جلوگیری از تقلب هویت مبتنی بر هوش مصنوعی بسیار مهم است.
3. دانش آموزان مصنوعی در سیستم های شما
بر خلاف هویت های سرقت شده، هویت های مصنوعی از قطعات واقعی و جعلی ایجاد می شوند، مانند یک SSN قانونی همراه با یک نام جعلی. این “دانشجویان” می توانند چک های ثبت نام را بگذرانند، مدارک دانشگاهی را دریافت کنند و حتی درخواست کمک مالی کنند.
بررسی اسناد سنتی برای گرفتن آنها کافی نیست. ابزارهای تأیید هویت امروزی باید از هوش مصنوعی برای شناسایی عناصر مفقود مانند هولوگرام یا واترمارک و الگوهای پرچم، از جمله پس‌زمینه اسناد یکسان، که نشانه کلیدی تقلب در مقیاس صنعتی است، استفاده کنند.
هوش هویت مبتنی بر هوش مصنوعی برای آموزش
با تبدیل شدن به یادگیری دیجیتال و سرعت گرفتن هوش مصنوعی، کلاهبرداری هویت پیچیده‌تر می‌شود.
با لایه‌بندی بیومتریک، تجزیه و تحلیل رفتاری و داده‌های بین پلتفرمی، مدارس می‌توانند هویت دانش‌آموزان را در مقیاس و در زمان واقعی تأیید کنند و با تهدیدات در حال تحول همگام باشند و حتی یک قدم جلوتر بمانند.
