探索 Microsoft AI 如何保護銀行交易 – Swift 成功案例
機構和營運的安全與可靠性，是銀行業成功運作的關鍵。 保障這些準則，不消說當然是各家銀行的第一要務。 讓我們來探索一項能改善銀行交易安全性的特定作法。
組織
自 1973 年於比利時創立以來，Swift (全球銀行金融電信協會) 便讓銀行及金融機構間能夠彼此連線。 該組織設立了一項全球各地的通用標準。 藉此，Swift 就能每年轉移、接收及處理 90 幾億條財務訊息的資金和安全性。
Swift 的基礎結構聯絡超過 11,500 家金融機構，並在 200 多個國家和地區提供服務和產品。 共同作業和協力是 Swift 文化和成功的關鍵， 他們常用自家龐大的銀行網路，為業界共通問題尋求全面的解決方案。
挑戰
信任和安全性是 Swift 業務的基礎。 然而，由於跨境交易和即時支付網路增加，銀行業面臨金融犯罪不斷增加的威脅。 這項問題每年已造成數千億美元的損失，包括彌補詐欺事件和進行資金復原。
銀行業急需能夠有效打擊金融犯罪的解決方案。 唯有透過 Swift 這種大規模網路，才能實行類似的困難專案。 Microsoft 也投入協作過程，透過平台和 AI 模型支援這項解決方案。
解決方案
Swift 決定為異常偵測組建高度精確的模型來防範詐欺事件。 這項解決方案內建於 Microsoft 的 AI 系統管理平台 Azure Machine Learning，並運用 Azure 機密運算及 Microsoft Purview 來確保資料隱私性。
Swift 和 Microsoft 選擇同盟學習技術來組建這款 AI。 這項方法必須在獨立、分散的工作階段中為模型定型。 同盟學習的優點在於參與專案的銀行無須共用定型資料，因為各家銀行會用自己的資料集定型模型。
在這項大原則之下，Swift 開發出第一款異常偵測模型，並與其成員銀行共用。 各家銀行再用自己的資料集擴充模型，藉此提高成果模型的正確性。 這項工作流程之所以得以實現，是因為 Azure Machine Learning 能讓您根據分散式資料集定型模型。
保障資料機密性是這項分散式結構的關鍵。 這項解決方案運用 Azure 機密運算、Microsoft Purview 和以零信任為基礎的原則架構，能確保 Azure Machine Learning 內嵌分散式資料集，無須自安全位置複製或移動資料。
成果
Swift 成功為 FSI 組建出有史以來最精確的異常偵測模型， 這項 AI 能協助保障世界各地的付款過程安全無虞。 這項解決方案已有效降低詐騙補救和資金復原花費的成本。
若要深入了解，請閱讀 Swift 使用 Azure 機密運算進行創新，以協助保護全球金融交易。
接下來，我們來探討保險業的客戶故事。