了解 Microsoft AI 如何确保银行中的交易安全 - Swift 成功案例
银行业依赖于其机构和业务的安全性和可靠性。 保证这些原则是所有银行的首要任务。 让我们探讨一个提高银行交易安全性的计划。
组织
Swift 全称是环球银行金融电信协会，它自 1973 年在比利时创立以来就在银行和金融机构之间实现了沟通。 该组织制定了一个在全世界使用的标准。 这样，Swift 使得每年传输、接收和处理超过 90 亿条关于金钱和安全性的金融消息成为了可能。
Swift 基础结构与超过 11,500 家金融机构连接，在超过 200 个国家/地区提供服务和产品。 协作和协同是 Swift 文化和成功的关键。 他们习惯于使用自身庞大的银行网络来查找共同问题的全球解决方案。
面临的挑战
信任和安全是 Swift 业务的基础。 然而，由于跨境要救和即时支付网络的增加，该行业遭遇了越来越多的金融犯罪。 这个问题每年造成了数千亿美元的损失，包括欺诈补救和资金回收。
该行业需要有一个解决方案有效地打击金融犯罪。 只有像 Swift 这样庞大的网络才能肩负起如此高要求的项目。 Microsoft 也在与他们协作，使用器平台和 AI 模型为此解决方案提供支持。
解决方案
Swift 决定构建一个高度准确的模型来检测异常情况，从而遏制欺诈。 该解决方案内置在 Azure 机器学习（Microsoft 用于管理 AI 系统的平台）中，并使用 Azure 机密计算和 Microsoft Purview 来确保数据隐私。
Swift 和 Microsoft 选择了联邦学习技术来构建此 AI。 此方法包括在独立、分散的会话中训练模型。 联邦学习的优点是，参与项目的银行不需要共享训练数据，因为每家银行都使用自己的数据集训练模型。
按照这一理念，Swift 开发了第一款异常情况检测模型，并将它共享给其成员银行。 每家银行都使用自己的数据集来扩充模型，从而提高生成的模型的准确性。 Azure 机器学习能够基于分布式数据集训练模型，因此能够实现这种工作流程。
这种分布式体系结构的关键是确保数据的保密性。 该解决方案使用 Azure 机密计算、Microsoft Purview 和基于零信任的策略框架，确保Azure 机器学习可以引入分布式数据集，而无需复制或移动其安全位置的数据。
结果
Swift 成功地为 FSI 构建了有史以来最准确的异常情况检测模型。 此 AI 将有助于保护世界各地的支付。 该解决方案已经降低了欺诈补救和资金回收的成本。
若要了解详细信息，请阅读 Swift 使用 Azure 机密计算进行创新，以帮助保护全球金融交易。
接下来，让我们讨论保险业中的客户案例。