开始： 数据是新的黄金，但隐私是金库！
数据，更具体地说，客户数据是财务中的所有内容。
无论您是在用卡刷的销售交易中看到它，在贷款中授予还款，还是在被认为可能可疑的交易中，每笔交易的每一部分，都会有助于稳定且具有风险或欺诈的大规模结果，以及客户的需求或客户的需求。
现实是 – 虽然数据已经并且总是比其他任何事物都更加重视，而且当今的普通消费者行为的评估是巨大的，即隐私性 – 尽管如此，但尽管如此，即使诸如诸如法规之类的法规，
欧洲GDPR；美国同行河马（用于医疗保健 – 金融重叠）；印度的数字个人数据保护（DPDP）
行动越来越多地应用；以及不可接受的网络威胁，声誉风险以及围绕数据使用和处理的客户不信任。
将所有东西都拉到一个空间的感觉越来越少。
那么，银行，保险或金融科技应该如何利用和利用人工智能和信任模型的力量，而不会面临合规风险和客户信任损失？
这是联邦学习（FL）进来的地方
今天的问题 – 集中的人工智能对抗墙
如今，正在财务运营的大多数机器学习模型都是以集中式的方式（银行的数据仓库或金融科技的云系统创建），只是简单地将数据捕获到某种类型的核心位置和培训算法中，然后可以学习，然后开发以评估欺诈，信用价值，甚至推荐金融产品。
从集中式模型如何与集中模型产生混乱的角度来看，少数变量使模型复杂化：
•法规： GDPR禁止跨境数据共享，印度的DPDP法案要求密切处理个人数据，确定在如此多国家运作的银行如何在不治疗数百种法规遵守的法规的情况下如何做事，这似乎是一个令人生畏的前景。
•商业竞赛： 没有金融机构愿意将个人客户数据“移交”直接竞争对手或团队的财团。 •网络安全威胁：集中式仓库是黑客的最佳目标。 一项违规意味着数百万记录可能已被妥协。
•运营费用：将数据的之前从一个系统转移到另一个系统是昂贵，缓慢且脆弱的。
简而言之，集中化会产生风险，成本和合规性阻滞剂，从而减慢创新。
什么是联邦学习？ （类比金融）
联合学习是一种通过不集中原始数据来训练AI模型的方法。
这是考虑一下的一种方法：如果五家银行想改善欺诈检测，他们可以将所有客户交易日志发送到一台服务器（风险和潜在的非法），或者每家银行可以使用自己的客户交易数据来培训本地模型。
然后，每个银行仅向中央聚合器发送学习的更新（即数学模式，而不是原始数据）。
聚合器采用所有这些更新并创建更强大的全球模型。然后将全球模型发送回银行，因此每个人都从集体情报中受益，而银行没有共享客户记录。
就银行而言，这就像在不打开书籍的情况下比较“经验教训”。
为什么联邦学习对金融很重要
联邦学习提供的不仅仅是一个整洁的技术技巧：它直接讲述了金融业所需的基本面：
AI合规性 – 数据保留在允许的管辖区（本地，国内）。银行可以遵守GDPR，《 DPDP法》，以及针对特定部门的治理，风险和合规性的要求。
更强的欺诈检测 – 欺诈检测模式通常跨越多个机构。 FL允许银行“一起学习”，而无需暴露敏感的交易日志或其他敏感数据。
跨境协作 – 全球银行能够从财务意义上进行合作，而无需在跨境共享或传输原始数据。信任和声誉
客户更有可能信任银行，这些银行可以将其本地信息保留并针对客户的尖端服务。
成本效率
较少的数据移动最小化带宽和存储成本。
换句话说，FL是关于信任和竞争性的。
财务中的联合学习用例示例
1。银行之间的欺诈检测
欺诈者将利用多个机构。一个机构可以检测到该模式的部分，但是由于机构共同努力以主动打击欺诈，他们可以限制欺诈者并更快地检测欺诈。 FL可以允许参与者创建联合欺诈检测模型，而无需公开导致该模型的事务级数据。
2。反洗钱
如果没有各个国家和机构的观点，就无法追踪洗钱。 FL可以使财团成员能够努力开发联合（AML）反洗钱模型，并将最终的客户详细信息掩盖。
3。信用风险评分
金融机构可能与借款人没有长时间的关系，因此历史背景可能不足以使机构建立风险模型。
通过使用FL，研究人员可能能够利用其他贷方的见解，以产生涉及历史的风险模型，而无需提供信用记录
4。保险承销
保险公司可以利用FL来改善保险承保流程，同时，尽管个人对数据隐私的需求，但在整个地理位置的历史主张中学习。
5。个人理财向客户提供
银行/金融科技可以利用联邦学习来根据客户同伙/人口统计学的代表性行为来学习/集群在更广泛的数据集上学习/集群，以提供量身定制的金融优惠（例如，信用卡或投资），同时保证个人的财务信息永远不会离开该机构。
6。研究财团
大学，监管机构和财团可以利用联邦学习作为研究集群研究财务风险，并建立更好的系统性风险模型，同时利用其银行财团成员的竞争角度。
金融机构的优势
• 合规性第一创新 – 以允许机构在建立增强AI的同时保持机构领先的方式进行创新。
• 降低了违规风险 – 没有中央的数据储备。
• 更快的模型培训 – 培训在当地发生，数据传输成本有限。
• 提高了准确性 – 协作意味着在检测欺诈和评分风险方面的准确性更高。
• 客户信任 – 营销保护隐私的AI可能会成为品牌差异。
障碍和局限性
FL具有明显的好处，但不是灵丹妙药。金融机构必须努力：
• 数据异质性 – 银行有不同的数据。协调模型将是一个挑战。
•参与者的信任水平 – 银行可能想担心竞争对手的同伴勾结为Tweak模型（即拜占庭式攻击）。
•基础设施成本 – 结合包含安全的聚合，加密和MLOP，可能会使事情变得复杂。
•解释性 – 监管机构希望模型可以解释，如果更新来自多个机构，这一点尤其困难。
研究和技术正在很快解决这些挑战。
案例研究和例子
• 欺诈检测合作： 欧洲的一些银行一直在使用基于FL的欺诈模式驾驶欺诈计划来确定可疑交易。
• 医疗成像到财务转移： FL在医学成像方面取得了成功（医院在没有共享患者数据的情况下进行协作），并展示了许多适用于金融中的相同模型。
• 联合XGBoost： tEsted已经进行了跨银行信用评分。绩效随着隐私保证的维护而提高。
银行实施指南
银行可以采取分阶段的方法：
• 阶段0：定义成功 – 例如：“没有数据传输的欺诈检测提高5％”。
• 阶段1： 飞行员 – 一些带有匿名/合成数据的银行飞行员。
• 阶段2： 稳定 – 在协作的后阶段添加安全的聚合，压缩和自适应优化器。
• 阶段3： 隐私硬化 – 区分隐私与强大的聚合相结合。
• 第4阶段： 投入生产 – 与真实的客户管理，包括对所使用数据的审核就绪治理。
这种渐进的，精心策划的方法可确保合规性和信任。
财务联邦学习的未来
总而言之，这似乎表明FL可能成为金融服务领域AI的支柱。
它可以通过几种方式发展：
• 与中央银行数字货币集成（CBDCS） – 学习欺诈或资金模式对于用户而无需共享事务级别的详细信息而言有价值的地方。
• 开放银行和API – FL允许银行从更广泛的银行和客户的生态系统中学习，同时保护敏感数据集。
• AI法规 – 随着在整个欧洲和印度的AI使用中都收紧了法规，FL将被认为是合规性的方法。
• 数字公共基础架构 – 在国家（例如，印度）中，佛罗里达州可以采取行动来帮助UPI，与Aadhaar相关的服务以及贷款生态系统安全启用规模。
结论
在金融中，数据隐私和AI性能不再需要彼此矛盾。 FL提供经济规范的机构，以协作学习，更有效地检测欺诈，直接管理风险，而无需交出原始客户数据。
总体而言，FL不仅仅是纯粹的技术创新。它是合规性，信任和在竞争性金融服务市场中保持相关性的战略选择。
首先采用佛罗里达州的金融机构将是领先于未来十年提高隐私情报标准的道路。
（tagstotranslate）FineXtra（T）新闻（T）在线（T）银行（T）银行（T）技术（T）技术（T）财务（T）财务（T）Financial（T）Fin（T）Tech（T）Tech（T）Fintech（T）Fintech（T）IT（T）IT（T）破坏（T）最新（T）最新（T）最新（T）零售（t）零售（T）t剥夺（t）贸易（t）执行（t）头条新闻（t）区块链（t）数字（t）投资（t）移动（t）业务（t）挑战者（t）付款（t）付款（t）Regtech（T）Regtech（T）Insurtech（T）Insurtech（t）服务
关键词：