Microsoft AI가 은행 트랜잭션을 보호하는 방법 알아보기 – 신속한 성공 사례
은행업은 해당 기관과 운영의 보안과 안정성에 의존합니다. 이러한 원칙을 보장하는 것은 모든 은행의 최우선 과제입니다. 은행 트랜잭션의 보안을 개선하기 위한 구체적인 계획을 살펴보겠습니다.
조직
Swift(세계은행간금융통신협회)는 1973년 벨기에에서 설립된 이래 은행과 금융기관 간의 통신을 가능하게 했습니다. 이 조직은 전 세계에서 사용되는 표준을 설정합니다. 이러한 방식으로 Swift를 사용하면 매년 90억 개가 넘는 금융 메시지, 돈과 보안을 이체, 수령 및 처리할 수 있습니다.
Swift 인프라는 11,500개가 넘는 금융 기관을 연결하고 200개가 넘는 국가 또는 지역에 서비스와 제품을 제공합니다. 협업과 시너지 효과는 Swift 문화권과 성공의 핵심입니다. 그들은 공유된 문제에 대한 글로벌 솔루션을 찾기 위해 광범위한 은행 네트워크를 사용하는 데 익숙합니다.
과제
신뢰와 보안은 Swift 비즈니스의 기본입니다. 그러나 업계는 국경 간 트랜잭션 및 즉시 결제 네트워크의 증가로 인해 금융 범죄의 증가에 직면해 있습니다. 이 문제는 이미 사기 수정 및 자금 회수를 포함하여 매년 수천억 달러의 비용을 발생시키고 있습니다.
해당 부문에서는 금융 범죄에 효과적으로 대처할 수 있는 솔루션이 필요합니다. Swift만큼 큰 네트워크만이 이러한 까다로운 프로젝트를 수행할 수 있습니다. Microsoft는 또한 플랫폼과 AI 모델을 통해 이 솔루션을 강화하기 위해 협력하고 있습니다.
솔루션
Swift는 사기를 방지하기 위해 매우 정확한 변칙 검색 모델을 빌드하기로 결정했습니다. 이 솔루션은 AI 시스템 관리를 위한 Microsoft 플랫폼인 Azure Machine Learning에 기본 제공되어 있으며 Azure Confidential Computing 및 Microsoft Purview를 사용하여 데이터 개인 정보 보호를 보장합니다.
Swift와 Microsoft는 이 AI를 빌드하기 위해 페더레이션된 학습 기술을 선택했습니다. 이 방식은 독립적인 분산 세션에서 모델을 학습하는 것으로 구성됩니다. 페더레이션된 학습의 장점은 프로젝트에 참여하는 은행이 각자 자신의 데이터 세트로 모델을 학습하기 때문에 학습 데이터를 공유할 필요가 없다는 것입니다.
이 철학에 따라 Swift는 최초의 변칙 검색 모델을 개발하여 멤버 은행과 공유했습니다. 각 은행은 자체 데이터 세트로 모델을 보강하여 결과 모델의 정확도를 높입니다. 이 워크플로가 가능한 이유는 Azure Machine Learning으로 분산 데이터 세트를 기반으로 모델을 학습시킬 수 있기 때문입니다.
이 분산 아키텍처의 핵심은 데이터 기밀성을 보장하는 것입니다. 이 솔루션은 Azure Confidential Computing, Microsoft Purview 및 Azure Machine Learning이 안전한 위치에서 데이터를 복사하거나 이동하지 않고도 분산 데이터 세트를 수집할 수 있도록 보장하는 제로 신뢰 기반 정책 프레임워크를 사용합니다.
결과
Swift는 지금까지 만들어진 FSI에 대한 가장 정확한 변칙 검색 모델을 빌드하는 데 성공했습니다. 이 AI는 전 세계의 결제를 보호하는 데 도움이 될 것입니다. 이 솔루션은 이미 사기 수정 및 자금 회수 비용을 절감하고 있습니다.
자세한 내용은 Swift에서 Azure 기밀 컴퓨팅으로 혁신하여 글로벌 금융 거래 보호를 읽어보세요.
다음으로 보험 분야의 고객 스토리를 살펴보겠습니다.