Intel & Consilient Går Samman för Att Använda Federerat Lärande för Att Bekämpa Finansiell Bedrägeri

Consilient, ett nystiftat företag som är dedikerat till att etablera ett next-generation-system för anti-penningtvätt och motverkande av finansiering av terrorism (AML/CFT), lanserade en ny säker, federerad lärandeplattform som drivs av Intel® Software Guard Extensions (Intel® SGX). Den artificiella intelligensplattformen (AI) syftar till att förhindra finansiell brottslighet och möjliggöra säker samverkan mellan finansiella institutioner samtidigt som den hjälper till att skydda integritet och säkra data.

Varför Det Är Viktigt

Enligt Förenta Nationerna tvättas 2-5% av bruttonationalprodukt (BNP) globalt varje år, vilket motsvarar 800 miljarder – 2 biljoner dollar. Med erkännandet av behovet att gå bortom ett manuellt och fragmenterat övervakningssystem byggde Consilient en intelligent, samverkande och alltid-på-lösning som utnyttjar federerat lärande och Intel SGX för att upptäcka finansiell bedrägeri.

Genom att automatisera denna process med federerat lärande krypteras åtkomst till flera datamängder, databaser och jurisdiktioner utan att någonsin avslöja data eller känslig kundinformation för de olika parter som är inblandade. Regeringar och finansiella institutioner kan använda denna nya plattform för att mer exakt och effektivt upptäcka olaglig verksamhet, med lägre falska positiva rater, för att bekämpa finansiell brottslighet, förhindra högvärdig penningtvätt och möjliggöra för legitima individer och företag att hantera risk mer effektivt.

“När banker försöker upptäcka olaglig och bedräglig verksamhet är systemet mycket ineffektivt och ineffektivt, med över 95% av transaktionsövervakning som ger falska positiva och institutioner som inte kan se risk bortom sina egna väggar. Med Consilients federerade maskinlärningsteknik, som backas upp av Intel SGX, omformar vi sättet som finansiella institutioner och myndigheter upptäcker och förhindrar finansiell brottslighet dynamiskt och säkert. Detta nya tillvägagångssätt tillåter organisationer att spara kostnader, omplacera personal och hantera och prioritera allvarligare olagliga finansiella risker effektivt och effektivt.”

— Juan Zarate, global co-managing partner och chief strategy officer på K2 Integrity och första biträdande sekreterare för terrorismfinansiering och finansiella brott i USA:s skattkammare

Hur Det Fungerar

Federerat lärande är en integritetsbevarande maskinlärningsteknik (ML) och konfidentiell datamodell som möjliggör AI-utbildning utan centralisering av data. Consilient har skapat en beteendebaserad, ML-driven plattform som körs på sin DOZER™-teknik. ML-modeller kan utbildas över flera datamängder för att upptäcka och analysera “normala” och “abnormala” mönster som människor och de flesta nuvarande tekniker inte kan. Detta tillåter deltagande institutioner, myndigheter och tillsynsmyndigheter att samverka medan de avslöjar och hanterar systematiska risker mer effektivt, effektivt och hållbart utan att sätta privat data i fara.

Denna datamodell möjliggörs genom Intel SGX, som använder en hårdvarubaserad betrodd exekveringsmiljö (TEE) för att hjälpa till att isolera och skydda specifik programkod och data i minnet. Tekniken hjälper till att säkerställa att roten till förtroende begränsas till en liten del av centralprocessornheterens hårdvara och ML-programmet i sig, vilket minskar attackytan för potentiella hot och bättre skyddar konfidentialiteten och integriteten för kod och data.

“Tillämpningen av Intel Software Guard Extensions (Intel SGX) teknologi i den finansiella sektorn är otroligt spännande”, sa Anil Rao, Intel vice president och general manager, Data Platforms Security and Systems Architecture. “Finans, som vi har sett i många branscher, är ofta begränsad av säker informationsdelning, och initiala testresultat mellan Intel och Consilient visar stort löfte för framtiden för samverkande finans.”

Mer information om att använda federerat lärande i finansiella tjänstesektorn finns i vitboken med titeln, Federerat Lärande genom Revolutionerande Teknik.