Federerad maskininlärning i banksektorn

Utmaningar

Finansindustrin står inför flera utmaningar för att effektivt upptäcka och förhindra penningtvätt samtidigt som man efterlever EU:s anti-penningtvättsdirektiv. Några av dessa utmaningar omfattar:

1. Hantering av känslig data: Garantera sekretess och säkerhet för känslig transaktionsdata samtidigt som effektiv dataanalys underlättas.
2. Främja samarbete mellan banker: Övervinna juridiska och tekniska hinder för att möjliggöra samarbete och informationsutbyte.
3. Anpassning till föränderliga kriminella strategier: Ligga steget före sofistikerade penningtvättsmetoder som kontinuerligt anpassar sig för att utnyttja nya sårbarheter.
4. Balansera sekretesslagstiftning och samarbete: Följa dataskyddslagstiftning, såsom GDPR, samtidigt som man främjar en samarbetsinriktad atmosfär för anti-penningtvättsinitiativ.
5. Klassificera penningtvätts-transaktioner: Minska falska larm genom att korrekt skilja mellan lagliga och misstänkta transaktioner, därmed minimera bördan för banker och kunder.

IInnovativa lösningar måste prioritera datasekretess samtidigt som de uppmuntrar samarbete mellan banker för att effektivt hantera dessa utmaningar.

Projektets syfte

Detta projekt syftar till att utforska potentialen för federerat lärande att förbättra samarbetet mellan banker för att upptäcka penningtvätt samtidigt som uppgiftssekretess bevaras. Dessutom kommer det att undersöka förutsättningarna för effektivt samarbete mellan banker och utforma interna processer för att hantera de utmaningar som följer. Projektet kommer att undersöka användningen av federerat lärande för att träna anti-penningtvättsmodeller på både syntetiska och riktiga transaktionsdata, med inledande fokus på syntetiska data för att visa fördelarna med samarbete.

Med stöd av AI Swedens toppmoderna Edge Learning Lab, kommer projektet att genomföras i en avancerad, samarbetsinriktad miljö för experiment och innovation. Samtidigt kommer projektet att beakta regler och utmaningar kopplade till efterlevnad i förhållande till dataskyddsförordningen (GDPR). Projektets fokus kommer att ligga på både syntetiska och riktiga transaktionsdata, specifikt i sammanhanget anti-penningtvätt. Dessutom kommer det att utforska möjligheter för att dela information relaterad till penningtvätt mellan banker och externa organisationer som AI Sweden, och därmed främja säkert informationsutbyte.

Förväntade resultat

Projektets huvudsyfte är att understryka vikten av samarbete genom att visa överlägsen modellprestanda i federerat lärande jämfört med isolerat lärande. Genom att främja samarbete mellan banker och externa organisationer kommer detta projekt att leda samarbetsinriktade anti-penningtvättsinitiativ. De förväntade resultaten inkluderar:

1. Förbättrad upptäckt av penningtvättsaktiviteter över flera banker.
2. Framsteg med nya metoder inom federerat lärande speciellt anpassade för anti-penningtvätt.
3. Förstärkt samarbete mellan banker och externa organisationer, hantering av gemensamma utmaningar och främjande av innovation.

Kontakt

Är du intresserad av att lära dig mer om federerat lärande för anti-penningtvätt inom banksektorn? Kontakta oss här.