Upptäck hur Microsoft AI skyddar transaktioner inom banksektorn – En Swift-framgångssaga
Bankväsendet är beroende av säkerheten och tillförlitligheten hos sina institutioner och verksamheter. Att garantera dessa principer är då en viktig prioritering för alla banker. Nu ska vi utforska ett specifikt initiativ för att förbättra säkerheten vid banktransaktioner.
Organisationen
Swift (Society for Worldwide Interbank Financial Telekommunikation) möjliggjorde kommunikation mellan banker och finansinstitut sedan det grundades i Belgien 1973. Organisationen anger en standard som används över hela världen. På så sätt gör Swift det möjligt att överföra, ta emot och bearbeta pengar och säkerhet årligen mer än nio miljarder finansiella meddelanden.
Swift-infrastrukturen förbinder över 11 500 finansinstitut och levererar tjänster och produkter i mer än 200 länder eller regioner. Samarbete och synergieffekter är nyckeln till Swifts kultur och framgång. De är vana vid att använda sitt stora nätverk av banker för att hitta globala lösningar på delade problem.
Utmaningen
Förtroende och säkerhet är grunden för Swifts verksamhet. Industrin står dock inför en ökning av den ekonomiska brottsligheten på grund av ökningen av gränsöverskridande transaktioner och omedelbara betalningsnätverk. Denna fråga kostar redan hundratals miljarder årligen, inklusive bedrägerireparation och fondåterställning.
Sektorn kräver en lösning för att effektivt bekämpa den ekonomiska brottsligheten. Endast ett så stort nätverk som Swift kan utföra ett så krävande projekt. Microsoft samarbetar också för att driva den här lösningen med sina plattforms- och AI-modeller.
Lösningen
Swift bestämde sig för att skapa en mycket exakt modell för avvikelseidentifiering för att stoppa bedrägerier. Lösningen är inbyggd i Azure Machine Learning, Microsoft-plattformen för hantering av AI-system, och använder Azure Confidential Computing och Microsoft Purview för att säkerställa datasekretess.
Swift och Microsoft valde den federerade inlärningstekniken för att skapa den här AI:n. Den här metoden består i att träna modellen i oberoende, decentraliserade sessioner. Fördelen med federerad inlärning är att banker som deltar i projektet inte behöver dela träningsdata, eftersom var och en av dem tränar modellen med sin egen datauppsättning.
Efter denna filosofi utvecklade Swift en första modell för avvikelseidentifiering och delade den med sina medlemsbanker. Varje bank berikar modellen med sina egna datauppsättningar, vilket ökar noggrannheten för de resulterande modellerna. Det här arbetsflödet är möjligt eftersom Azure Machine Learning gör att du kan träna en modell baserat på distribuerade datauppsättningar.
Nyckeln till den här distribuerade arkitekturen är att säkerställa datasekretess. Lösningen använder Azure Confidential Computing, Microsoft Purview och ett nollförtroendebaserat principramverk som säkerställer att Azure Machine Learning kan mata in de distribuerade datauppsättningarna utan att kopiera eller flytta data från sina säkra platser.
Resultatet
Swift lyckas skapa den mest exakta modellen för avvikelseidentifiering för FSI som någonsin skapats. Den här AI:n hjälper till att skydda betalningar över hela världen. Lösningen minskar redan kostnaderna för bedrägerireparation och fondåterställning.
Mer information finns i Swift förnyar med konfidentiell databehandling i Azure för att skydda globala finansiella transaktioner.
Nu ska vi diskutera en kundhistoria i försäkringen.