Descubra como a IA da Microsoft protege as transações bancárias – Uma história de sucesso da Swift
Os bancos dependem da segurança e confiabilidade de suas instituições e operações. Garantir estes princípios é uma grande prioridade para todos os bancos. Vamos explorar uma iniciativa específica para melhorar a segurança nas transações bancárias.
A organização
A Swift (Society for Worldwide Interbank Financial Telecommunication) possibilitou a comunicação entre bancos e instituições financeiras desde que foi fundada na Bélgica em 1973. A organização define um padrão usado em todo o mundo. Dessa forma, a Swift possibilita transferir, receber e processar dinheiro e protege anualmente de mais de nove bilhões de mensagens financeiras.
A infraestrutura da Swift conecta mais de 11.500 instituições financeiras e fornece serviços e produtos em mais de 200 países ou regiões. A colaboração e as sinergias são fundamentais para a cultura e o sucesso da Swift. Eles estão acostumados a usar sua vasta rede de bancos para encontrar soluções globais para problemas comuns.
O desafio
Confiança e segurança são a base dos negócios da Swift. No entanto, o setor enfrenta um aumento da criminalidade financeira, devido ao aumento das transações transfronteiriças e das redes de pagamento instantâneo. Esse problema já está custando centenas de bilhões anualmente, incluindo correção de fraudes e recuperação de fundos.
O setor exige uma solução para combater a criminalidade financeira de forma eficaz. Somente uma rede tão grande como a da Swift pode realizar um projeto tão exigente. A Microsoft também está colaborando para potencializar essa solução com sua plataforma e modelos de IA.
A solução
A Swift decidiu criar um modelo superexato para detecção de anomalias a fim de evitar fraudes. A solução foi criada no Azure Machine Learning, a plataforma da Microsoft para gerenciar sistemas de IA, e usa a Computação Confidencial do Azure e o Microsoft Purview para garantir a privacidade dos dados.
A Swift e a Microsoft escolheram a técnica de aprendizagem federada para criar essa IA. Essa abordagem consiste em treinar o modelo em sessões independentes e descentralizadas. A vantagem do aprendizado federado é que os bancos participantes do projeto não são obrigados a compartilhar dados de treinamento, porque cada um deles treina o modelo com seu próprio conjunto de dados.
Seguindo essa filosofia, a Swift desenvolveu um primeiro modelo de detecção de anomalias e o compartilhou com seus bancos membros. Cada banco enriquece o modelo com seus próprios conjuntos de dados, aumentando assim a exatidão dos modelos resultantes. Esse fluxo de trabalho é possível porque o Azure Machine Learning permite treinar um modelo com base em conjuntos de dados distribuídos.
A chave para essa arquitetura distribuída é garantir a confidencialidade dos dados. A solução usa a Computação Confidencial do Azure, o Microsoft Purview e uma estrutura de política baseada em confiança zero que garante que o Azure Machine Learning possa ingerir os conjuntos de dados distribuídos sem copiar ou mover dados de seus locais seguros.
Os resultados
A Swift está conseguindo criar o modelo de detecção de anomalias mais exato já desenvolvido para FSI. Essa IA ajudará a proteger pagamentos em todo o mundo. A solução já está reduzindo custos na remediação de fraudes e na recuperação de fundos.
Para saber mais, leia Como a Swift inovou com a computação confidencial do Azure para ajudar a proteger transações financeiras globais.
A seguir, vamos falar sobre a história de um cliente no setor de seguros.