Intel & Consilient Slår Sig Sammen For At Bruge Fordelt Læring Til At Kæmpe Imod Finansielle Svindel

Consilient, et nyt selskab, der er dedikeret til at etablere et next-generation system til anti-pengevask og bekæmpelse af terrorfinansiering (AML/CFT), har lanceret en ny sikker, fordelt læring-platform drevet af Intel® Software Guard Extensions (Intel® SGX). Den kunstig intelligens (AI)-platform sigter mod at forhindre finansielle forbrydelser og muliggøre sikker samarbejde mellem finansielle institutioner, samtidig med at den hjælper med at beskytte privatliv og sikre data.

Hvorfor Det Er Vigtigt

Ifølge De Forenede Nationer bliver 2-5% af bruttonationalproduktet (BNP) hvert år vasket globalt, hvilket svarer til 800 milliarder – 2 billioner dollars. Consilient har erkendt behovet for at gå ud over et manuelt og fragmenteret overvågningsystem og har bygget en intelligent, samarbejdende og altid-til-rådighed-løsning, der udnytter fordelt læring og Intel SGX til at opdage finansielle svindel.

Ved at automatisere denne proces gennem fordelt læring får man adgang til multiple datasæt, databaser og jurisdiktioner, der krypteres uden nogensinde at afsløre data eller følsomme kundeoplysninger til de involverede parter. Regeringer og finansielle institutioner kan bruge denne nye platform til mere præcist og effektivt at opdage ulovlig aktivitet, med lavere falske positivrater, hvilket hjælper med at bekæmpe finansielle forbrydelser, forhindre højerværdi-pengevask og muliggøre legitime personer og virksomheder at håndtere risiko mere effektivt.

“Når banker forsøger at opdage ulovlig og svindelaktivitet, er systemet meget ineffektivt og ineffektivt, med over 95% af transaktionsovervågning, der resulterer i falske positiver, og institutioner, der ikke kan se risiko ud over deres egne mure. Med Consilients fordelt maskinlærteknologi, støttet af Intel SGX, genopbygger vi måden, finansielle institutioner og myndigheder opdager og forhindrer finansielle forbrydelser risiko dynamisk og sikkert. Denne nye tilgang tillader organisationer at spare omkostninger, genansætte personale og håndtere og prioritere mere alvorlige ulovlige finansielle risikoer effektivt og effektivt.“

— Juan Zarate, global co-managing partner og chief strategy officer hos K2 Integrity og første nogensinde assistant secretary of the U.S. Treasury for Terrorist Financing and Financial Crimes

Hvordan Det Fungerer

Federated learning er en privatlivsbevarende maskinlærteknik og confidential computing-model, der muliggør AI-træning uden at centralisere data. Consilient har skabt en adfærdsbaseret, ML-dreven platform, der kører på deres DOZER™-teknologi. ML-modeller kan trænes på tværs af multiple datasæt for at opdage og analysere “normale” og “abnormale” mønstre, som mennesker og de fleste nuværende teknologier ikke kan. Dette tillader deltagende institutioner, myndigheder og tilsynsmyndigheder at samarbejde, mens de afslører og håndterer systemiske risikoer mere effektivt, effektivt og bæredygtigt uden at sætte privat data i fare.

Denne computing-model er mulig takket være Intel SGX, der bruger en hardware-baseret trusted execution environment (TEE) til at isolere og beskytte bestemt applikationskode og data i hukommelsen. Teknologien hjælper med at sikre, at roden til tillid er begrænset til en lille del af centralprocessorens hardware og ML-applikationen selv, hvilket reducerer angrebsfladen for potentielle trusler og bedre beskytter konfidensialiteten og integriteten af kode og data.

“Anvendelsen af Intel Software Guard Extensions (Intel SGX)-teknologien i den finansielle sektor er utrolig spændende,” sagde Anil Rao, Intel vicepræsident og general manager, Data Platforms Security and Systems Architecture. “Finans, som vi har set i mange brancher, er ofte begrænset af sikker informationsdeling, og de første forsøgsresultater mellem Intel og Consilient holder stor løfte for fremtiden for samarbejdende finans.”

Der er mere information om at bruge fordelt læring i den finansielle servicesindustri tilgængelig i hvidbogen med titlen Federated Learning through Revolutionary Technology.