Descubra cómo la inteligencia artificial de Microsoft protege las transacciones en la banca: una historia de éxito de Swift
La banca depende de la seguridad y confiabilidad de sus instituciones y operaciones. La garantía de estos principios es entonces una prioridad importante para todos los bancos. Vamos a explorar una iniciativa específica para mejorar la seguridad en las transacciones bancarias.
La organización
Swift (Society for Worldwide Interbank Financial Telecomon) ha permitido las comunicaciones entre bancos e instituciones financieras desde su fundación en Bélgica en 1973. La organización establece un estándar que se usa en todo el mundo. De esta manera, Swift hace posible transferir, recibir y procesar anualmente más de nueve mil millones de mensajes financieros.
La infraestructura de Swift conecta más de 11 500 instituciones financieras y ofrece servicios y productos en más de 200 países o regiones. La colaboración y las sinergias son clave para la cultura y el éxito de Swift. Están acostumbrados a usar su amplia red de bancos para encontrar soluciones globales a problemas compartidos.
La dificultad
La confianza y la seguridad son la base de la actividad de Swift. Sin embargo, la industria se enfrenta a un aumento de los delitos financierospor el incremento de las transacciones transfronterizas y las redes de pago instantáneas. Este problema ya cuesta cientos de miles de millones de dólares anualmente, incluida la reparación de fraudes y la recuperación de fondos.
El sector exige una solución para luchar contra los delitos financieros de manera eficaz. Solo una red tan grande como Swift puede llevar a cabo un proyecto tan exigente. Microsoft también colabora para impulsar esta solución con sus modelos de plataforma e inteligencia artificial.
La solución
Swift decidió crear un modelo muy preciso para la detección de anomalías a fin de detener el fraude. La solución está integrada en Azure Machine Learning, la plataforma de Microsoft para administrar los sistemas de inteligencia artificial, y emplea Azure Confidential Computing y Microsoft Purview para garantizar la privacidad de los datos.
Swift y Microsoft eligieron la técnica de aprendizaje federado para crear esta inteligencia artificial. Este enfoque consiste en entrenar el modelo en sesiones descentralizadas independientes. La ventaja del aprendizaje federado es que no es necesario que los bancos que participan en el proyecto compartan los datos de entrenamiento, ya que cada uno de ellos entrena el modelo con su propio conjunto de datos.
Siguiendo esta filosofía, Swift desarrolló un primer modelo de detección de anomalías y lo compartió con sus bancos miembros. Cada banco enriquece el modelo con sus propios conjuntos de datos, lo que aumenta la precisión de los modelos resultantes. Este flujo de trabajo es posible porque Azure Machine Learning permite entrenar un modelo basado en conjuntos de datos distribuidos.
La clave de esta arquitectura distribuida es garantizar la confidencialidad de los datos. La solución usa Azure Confidential Computing,Microsoft Purview y un marco de directivas basado en confianza cero que garantiza que Azure Machine Learning pueda ingerir los conjuntos de datos distribuidos sin copiar ni mover datos desde sus ubicaciones seguras.
Resultados
Swift está consiguiendo crear el modelo de detección de anomalías para FSI más preciso hasta la fecha. Esta inteligencia artificial ayudará a proteger los pagos en todo el mundo. La solución ya está reduciendo los costos en la reparación de fraudes y la recuperación de fondos.
Para más información, lea Swift innova con la informática confidencial de Azure para contribuir a la seguridad de las transacciones financieras mundiales.
A continuación, vamos a hablar de una historia de cliente del sector de seguros.