Google Cloud collabora con Swift, insieme a partner tecnologici tra cui Rhino Health e Capgemini, per sviluppare una soluzione sicura e rispettosa della privacy per le istituzioni finanziarie per combattere le frodi. Questo approccio innovativo utilizza tecniche di apprendimento federato, combinate con tecnologie di miglioramento della privacy (PET), per abilitare l’intelligenza collaborativa senza compromettere i dati proprietari.
Rhino Health svilupperà e fornirà la piattaforma di apprendimento federato di base, mentre Capgemini gestirà l’implementazione e l’integrazione della soluzione.
“Swift è in una posizione unica nel settore finanziario: una rete affidabile e cooperativa che è parte integrante del funzionamento dell’economia globale. In quanto tale, siamo nella posizione ideale per guidare gli sforzi collaborativi e di settore per combattere le frodi. Questa esplorazione aiuterà la comunità a convalidare se la tecnologia di apprendimento federato può aiutare le istituzioni finanziarie a rimanere un passo avanti ai malintenzionati attraverso la condivisione di etichette di frode e, a sua volta, consentendo loro di fornire un’esperienza di pagamento transfrontaliera migliorata ai propri clienti “, ha affermato Rachel Levi, responsabile dell’intelligenza artificiale, Swift.
“In Google Cloud, ci impegniamo a potenziare le istituzioni finanziarie con tecnologie all’avanguardia per combattere la minaccia in continua evoluzione delle frodi. La nostra collaborazione con Swift esemplifica il potenziale trasformativo dell’apprendimento federato e del computing confidenziale. Abilitando la collaborazione sicura e la condivisione delle conoscenze senza compromettere la privacy dei dati, stiamo promuovendo un ecosistema finanziario più sicuro e resiliente per tutti”, ha affermato Andrea Gallego, Managing Director, global GTM incubation, Google Cloud.
La mancanza di visibilità lungo il ciclo di vita dei pagamenti crea vulnerabilità che possono essere sfruttate dai criminali. Un approccio collaborativo alla modellazione delle frodi offre vantaggi significativi rispetto ai metodi tradizionali nella lotta ai reati finanziari. Per essere efficace, questo approccio richiede la condivisione dei dati tra le istituzioni, che è spesso limitata a causa di preoccupazioni sulla privacy, requisiti normativi e considerazioni sulla proprietà intellettuale.
L’apprendimento federato offre una potente soluzione per l’addestramento collaborativo del modello AI senza compromettere la privacy e la riservatezza. Invece di richiedere alle istituzioni finanziarie di mettere in comune i propri dati sensibili, l’addestramento del modello avviene all’interno delle istituzioni finanziarie su dati decentralizzati.
Ma quali sono i principali vantaggi della soluzione di apprendimento federato?
- Intelligence condivisa : le istituzioni finanziarie collaborano condividendo informazioni su attività, modelli e tendenze fraudolente, il che crea un pool di dati decentralizzato molto più ampio e ricco di quello che una singola istituzione potrebbe raccogliere da sola
- Rilevamento migliorato : il modello collaborativo globale è in grado di identificare schemi di frode complessi che potrebbero passare inosservati alle singole istituzioni, migliorando così il rilevamento e la prevenzione
- Riduzione dei falsi positivi : la condivisione delle informazioni aiuta a perfezionare i modelli di frode, consentendo un’identificazione più accurata delle minacce reali e un minor numero di falsi allarmi che interrompono sia le attività legittime sia l’esperienza del cliente
- Adattamento più rapido : l’approccio collaborativo consente un adattamento più rapido alle nuove tendenze di frode e alle tattiche criminali. Man mano che emergono nuove minacce, il pool di conoscenze condivise aiuta tutti i partecipanti ad adattare rapidamente i propri modelli e i propri strumenti di prevenzione delle frodi
- Effetti di rete : più istituzioni partecipano, più completo diventa il pool di dati, creando un potente effetto di rete che rafforza la prevenzione delle frodi per tutti i soggetti coinvolti
L’ambito iniziale rimane un sandbox di dati sintetici incentrato sulla prototipazione dell’apprendimento da frodi storiche sui pagamenti. La piattaforma consente a più istituti finanziari di addestrare un modello di rilevamento delle frodi robusto, preservando al contempo la riservatezza dei loro dati sensibili sulle transazioni. Utilizza tecniche di apprendimento federato e di elaborazione confidenziale, come Trusted Execution Environments (TEE), per abilitare l’apprendimento automatico sicuro e multi-parte senza movimento di dati di addestramento.
Questa soluzione è composta da diversi componenti chiave:
- Server federato in ambiente di esecuzione TEE : un ambiente sicuro e isolato in cui un server di apprendimento federato (FL) orchestra la collaborazione di più client inviando prima un modello iniziale ai client FL . I client eseguono l’addestramento sui loro set di dati locali, quindi inviano gli aggiornamenti del modello al server FL per l’aggregazione per formare un modello globale
- Client federato : esegue attività, esegue calcoli e apprendimenti locali con set di dati locali (ad esempio dati di un singolo istituto finanziario), quindi invia i risultati al server FL per un’aggregazione sicura
- Dati crittografati specifici della banca : ogni banca detiene i propri dati privati e crittografati sulle transazioni, che includono etichette di frode storiche. Questi dati rimangono crittografati durante l’intero processo, incluso il calcolo, garantendo la privacy dei dati end-to-end
- Modello globale basato sulle frodi: un modello di rilevamento delle anomalie pre-addestrato da Swift che funge da punto di partenza per l’apprendimento federato
- Aggregazione sicura : l’utilizzo di un protocollo di aggregazione sicura per calcolare queste medie ponderate garantirebbe che il server apprenda solo le etichette storiche delle frodi degli istituti finanziari partecipanti, ma non esattamente da quale istituto finanziario, preservando così la privacy di ciascun partecipante al processo di apprendimento federato
- Modello addestrato per il rilevamento delle anomalie globali e pesi aggregati : il modello di rilevamento delle anomalie migliorato, insieme ai suoi pesi appresi, viene scambiato in modo sicuro con gli istituti finanziari partecipanti. Possono quindi distribuire questo modello migliorato localmente per il monitoraggio del rilevamento delle frodi sulle proprie transazioni
Stiamo assistendo all’adozione da parte di sempre più aziende dell’apprendimento federato per combattere le frodi globali, tra cui anche la società di consulenza globale Capgemini.
“Le frodi nei pagamenti rappresentano una delle minacce più grandi che compromettono l’integrità e la stabilità dell’ecosistema finanziario, con un impatto fortemente avvertito su alcuni dei segmenti più vulnerabili della nostra società”, ha affermato Sudhir Pai, Chief Technology and Innovation Officer, Financial Services, Capgemini.
“Si tratta di un’epidemia globale che richiede uno sforzo collaborativo per ottenere un cambiamento significativo. La nostra applicazione dell’apprendimento federato si basa sui principi di privacy-by-design, sfruttando l’intelligenza artificiale per aprire la strada all’aggregazione sicura e all’anonimizzazione dei dati, che sono di primaria importanza per le grandi istituzioni finanziarie. Il potenziale di applicare i nostri apprendimenti all’interno di un modello globale addestrato in altri settori garantirà l’eliminazione di qualsiasi compartimento isolato e la lotta alle frodi su larga scala”, ha affermato.
“Siamo orgogliosi di supportare il programma Swift in partnership con Google Cloud e Capgemini – ha affermato Chris Laws, Chief Operating Officer di Rhino – La lotta ai reati finanziari è un esempio eccellente del valore creato dalle complesse collaborazioni di dati multi-parte abilitate dal federated computing, poiché tutte le parti possono avere fiducia nella sicurezza e nella riservatezza dei propri dati”.
Questo sforzo per combattere le frodi in modo collaborativo aiuterà a costruire un ecosistema finanziario più sicuro e protetto. Sfruttando la potenza dell’apprendimento federato e aderendo a solidi principi di riservatezza dei dati, sicurezza, interoperabilità della piattaforma, riservatezza e scalabilità, questa soluzione ha il potenziale per ridefinire il modo in cui combattiamo le frodi nell’era della finanza globalizzata frammentata e dimostra un impegno nel costruire un mondo finanziario più resiliente e affidabile.
