Objevte, jak Microsoft AI zabezpečuje transakce v bankovnictví – A Swift success story
Bankovnictví spoléhá na bezpečnost a spolehlivost svých institucí a operací. Zajištění těchto zásad je pak hlavní prioritou pro všechny banky. Pojďme prozkoumat konkrétní iniciativu pro zlepšení zabezpečení bankovních transakcí.
Organizace
Swift (Společnost pro celosvětovou mezibankní finanční telekomunikační komunikaci) umožnila komunikaci mezi bankami a finančními institucemi od doby, kdy byla založena v Belgii v roce 1973. Organizace nastavuje standardní použití po celém světě. Swift tak umožňuje převádět, přijímat a zpracovávat peníze a bezpečnost ročně více než devět miliard finančních zpráv.
Infrastruktura Swiftu spojuje více než 11 500 finančních institucí a poskytuje služby a produkty ve více než 200 zemích nebo oblastech. Spolupráce a součinnost jsou klíčem pro kulturu a úspěch Swiftu. Používají se k hledání globálních řešení sdílených problémů pomocí své rozsáhlé sítě bank.
Výzva
Důvěryhodnost a zabezpečení jsou základem firmy Swiftu. Odvětví však čelí nárůstu finanční trestné činnosti, protože se zvyšuje přeshraniční transakce a sítě pro okamžité platby. Tento problém už stojí stovky miliard ročně, včetně nápravy podvodů a obnovení fondu.
Odvětví požaduje řešení pro efektivní boj proti finanční trestné činnosti. Takový náročný projekt může provádět pouze síť, která je stejně velká jako Swift. Microsoft také spolupracuje na tom, aby toto řešení vymocil pomocí svých modelů platformy a umělé inteligence.
Řešení
Swift se rozhodl vytvořit vysoce přesný model pro detekci anomálií za účelem zastavení podvodů. Řešení je integrované ve službě Azure Machine Learning, platformě Microsoftu pro správu systémů AI a k zajištění ochrany osobních údajů používá Důvěrné výpočetní prostředí Azure a Microsoft Purview.
Swift a Microsoft zvolili techniku federovaného učení k vytvoření této umělé inteligence. Tento přístup se skládá z trénování modelu v nezávislých decentralizovaných relacích. Výhodou federovaného učení je, že banky zapojené do projektu nemusí sdílet trénovací data, protože každý z nich trénuje model s vlastní datovou sadou.
Podle této filozofie Swift vyvinul první model detekce anomálií a sdílel ho se svými členskými bankami. Každá banka rozšiřuje model o vlastní datové sady, což zvyšuje přesnost výsledných modelů. Tento pracovní postup je možný, protože Azure Machine Learning umožňuje trénovat model na základě distribuovaných datových sad.
Klíčem k této distribuované architektuře je zajištění důvěrnosti dat. Řešení používá důvěrné výpočetní prostředí Azure, Microsoft Purview a architekturu zásad založenou na nulové důvěryhodnosti, která zajišťuje, že Azure Machine Learning dokáže ingestovat distribuované datové sady bez kopírování nebo přesouvání dat z jejich zabezpečených umístění.
Výsledky
Swift úspěšně vytváří nejpřesnější model detekce anomálií pro službu FSI, kterou jste kdy vytvořili. Tato AI pomůže chránit platby po celém světě. Řešení už snižuje náklady na nápravu podvodů a obnovení finančních prostředků.
Další informace najdete v inovacích Swiftu s využitím důvěrných výpočetních prostředků Azure, které pomáhají zabezpečit globální finanční transakce.
V dalším kroku probereme příběh zákazníka v pojištění.