利用隐私优先的协作人工智能打击银行业在线欺诈

网络欺诈是一场重大的安全危机，每年给东盟经济体造成数十亿美元的损失。

近年来，由于快速发展的欺诈技术，传统银行和金融科技公司面临着重大威胁。最近的研究表明，东盟数据泄露的平均成本达到历史最高水平2024 年 333 万美元监管机构和企业的努力表明，有效的欺诈管理日益重要。

2023 年 10 月 25 日，新加坡金融管理局宣布 共同责任框架，向金融机构 (FI) 和电信公司 (Telcos) 分配相关职责，以减少网络钓鱼诈骗，并在违反这些职责的情况下向受影响的诈骗受害者付款，该规定自 2024 年 12 月 16 日起生效。马来西亚最近的报告 参考– 根据东盟网络安全合作战略（2021-2025）。— 自发的 积极主动的Globe Telecom 与菲律宾银行家协会之间的合作正在帮助减少金融诈骗。

那么，我们如何才能获得更好的情报来打击东盟的网络欺诈呢？在 Human Managed，我们相信答案在于联邦学习的协作机器学习技术和隐私保护技术。

但首先让我们看看为什么欺诈管理首先需要不同的方法。

有效的欺诈管理需要克服数据、隐私和成本问题

多年来与企业客户共同创建以数据为中心的用例，我们了解到，当情报具有三个定义品质时，它对于结果来说特别有效和可信：可追溯（基于可验证的来源和知识库）、及时（在做出决策的正确时机）并且新鲜（根据最近的事件和分析收集而生成）。

然而，三个关键因素限制了组织使用人工智能构建持续欺诈管理系统。这些涉及质量数据、隐私和法学硕士模型培训成本。

可重用、可扩展和适应性强的人工智能需要 质量数据。

最近对 600 名数据领导者的调查显示 –数据质量Ø 是采用生成式人工智能和大型语言模型时与数据相关的最大障碍（42%），其次是数据隐私和保护（40%）。此外，研究人员还预测，如果当前用于训练 AI 模型的大型语言模型 (LLM) 发展趋势继续下去，我们可能会耗尽可用的数据集2026年-32年间。

数据隐私对于业务至关重要。

企业担心数据隐私的丧失和滥用。根据思科的说法2024 年数据隐私基准研究表明，数据隐私是客户信任的关键要素和推动因素。94% 的组织表示，如果不能适当保护数据，客户就不会向他们购买产品。人们还清楚地认识到，促进隐私是一项好生意，95% 的受访者表示收益超过成本，平均组织实现 1.6 倍的投资回报。

需要专门的技术来降低大型语言模型的训练成本。

目前的估计表明，一些最大的模型的训练成本高达 1 亿美元；下一代可能会花费10 亿美元及后续迭代 100 亿美元。为了使 Gen-AI 在经济上可行，该行业正趋向于专业技术的创新，从芯片到软件以及模型的创造性组合，以减少处理时间和成本。

协作机器学习需要更好的智能

尽管区块链和加密货币引发了区域兴趣，但东盟监管机构仍保持谨慎态度。Inthanon 项目于 2018 年探索了使用区块链进行跨境支付，而新加坡于 2019 年实施的支付服务法案 (PSA) 为数字代币服务提供了监管指导。这些技术以及用于身份验证的标记化将在构建欺诈管理策略方面不断兴起。然而，仍然需要技术来满足更好的基本要求高质量的数据和高质量的人工智能模型。

为了获得持续一致的欺诈情报，需要处理、分析各种数据并将其应用于明确定义的问题，然后在正确的时间分发到正确的渠道。在 Human Managed，我们构建更好智能的旅程使我们找到了联邦学习 (FL) 和隐私保护技术的新兴突破性解决方案，这些解决方案允许跨分散设备训练模型，同时保持数据本地化和安全 - 这就是隐私第一，协作人工智能。

隐私第一的协作人工智能的欺诈管理用例

Human Managed 最近推出了白皮书联合学习，包括行业专家对欺诈管理的见解。PayNet 欺诈与项目主管 Aloysius Chong Kin Faa 分享了最近在马来西亚推出的国家欺诈门户网站背后的意图，该门户网站旨在针对金融生态系统进行欺诈响应和主动检测，以及 eKYC 和信用风险评分的用例。

他说，“虽然我们目前在生产中还没有联邦学习 (FL) 用例，但我们正在探索其潜力，作为我们生态系统中更安全、更具协作性的欺诈检测方法。”

欺诈管理的集中情报

作为一个主要的 B2B 组织，PayNet 通过新推出的国家欺诈门户网站 (NFP) 促进了支付和其他增值服务（例如欺诈情报共享）的部门层面的数据或情报交换。-由马来西亚国家银行（BNM）、PayNet 和其他金融机构设计加强国家诈骗应对中心 (NSRC) 的能力。

NFP 的制定目的是促进金融机构之间的协作和数据共享，以打击在线金融欺诈和诈骗。如今，该系统已成为处理国家诈骗响应中心 (NSRC) 呼叫中心和金融机构客户投诉渠道收到的事件的集中渠道。它还利用模型来追踪和拦截受害者资金以追回。这使得能够全面、持续地收集标准化欺诈标签，以开发欺诈检测模型，这是我们与生态系统参与者一起主动打击欺诈战略的关键下一步。

人工智能和机器学习至关重要，因为手动流程无法有效管理当前支付量的欺诈监控、检测和调查。然而，鉴于大多数上下文客户数据都存储在金融机构的孤岛中，探索 FL 应用程序以与我们的参与者进行协作模型开发是集中式数据共享和欺诈建模的潜在替代方案。

另外，PayNet 一直在与金融科技提供商探索其他增值服务，这些服务可能涉及人工智能和机器学习模型与 FL 应用程序（例如替代信用评分、数字 ID 等）。

电子了解您的客户 (eKYC) 解决方案

提供商已在该领域成功演示了 FL，特别是在跨设备应用程序中。例如，在 eKYC 面部识别和校对解决方案中，面部图像、视频或指纹等敏感生物识别数据不会直接与用户银行共享。相反，模型会本地部署在用户设备上，仅将模型学习结果发送回银行的中央系统。这可确保用户数据在设备中保持安全。鉴于单个组织可以部署和维护通用模型架构，此类用例更加可行。

信用风险评分

信用风险评分对于采用 FL 来说可能是一个唾手可得的成果。所有银行都管理信用风险，并致力于最大限度地减少不良贷款，并将从对风险或欺诈性贷款申请的共同见解中受益。此外，用于客户信用评估的监管标准和集中的信用情报机构数据导致信用评估使用更加标准化的数据集，从而更容易实现功能集融合。虽然各个银行信用评估模型可能有所不同，但这些模型通常不太复杂，使银行能够更轻松地开发和采用 FL 全局模型作为其内部模型的替代信用风险评分参考。

协作欺诈管理的激励结构

专家还认为，虽然联邦学习 [FL] 的技术可以轻松实施，但更大的社会经济挑战在于参与激励、集中管理和监管知识。在前面提到的白皮书Snowflake 的 APJ AI/ML 策略首席专家 Rishu Saxena 表示，

– 联邦学习有用例，但行业是分散的，企业在这种孤岛中工作，对常见问题没有总体观点。真正的问题不是建立一个集中的情报系统；而是建立一个中央情报系统。真正的问题是整个行业的情报共享。Saxena 提出了协作人工智能在东盟取得成功需要解决的两个问题。

• 合作的动力是什么？ 参与组织需要看到可行的经济激励措施才能使 FL 系统发挥作用。目前，每个企业都会有自己的培训模型系统及其数据结构格式。重新配置数据集以匹配标准化系统或在 FL 数据集及其现有系统上运行系统需要成本和精力。由于这项技术仍处于起步阶段，组织可能没有兴趣尝试它，尽管直观上集体智慧对于风险评估是有意义的。
• 谁拥有集中情报系统？ 如果组织要在联合学习网络中进行合作，谁拥有集中式模型和情报？最有可能的是，FL 可以在银行和医疗保健等受到高度监管的领域发挥作用，在这些领域，中央银行或中央医疗机构等中央机构可以拥有并领导联合学习平台。对于这些当局来说，激励措施是为该国公民带来更好的结果。这样的中央当局最终可以要求受监管部门的组织参与。因此，可能需要中央机构的所有权和监管。

利用模块化技术扩展东盟的联邦学习

确定业务需求后，组织必须决定如何实施、操作和扩展联邦学习用例。这趋势转向更小、更专业的技术，从芯片到软件，每种技术都适合不同类型的问题，大大减少了处理时间和成本。

解决通信、计算以及数据和模型异构性挑战的一种方法是通过模块化架构数据平台。这种模块化系统需要提供的主要优势是：互操作性、敏捷性、相关性和隐私性，适用于所有正在处理的数据，无论是平台上的一个还是多个参与者。

在 Human Managed，我们开发了一个集体智能平台 hm.works，为企业的网络、数字和风险问题提供人工智能原生解决方案。 

该平台是 14 个功能和 92 个微服务的模块化集合，抽象为基础设施、软件、数据和 AI 堆栈。它集成来自任何来源的数据，并为业务环境和特定用例开发人工智能模型。通过联邦学习和人工智能驱动的应用程序，HM集体智慧平台可以为组织构建分布式情报共享系统，以确保：

• 通过上下文模型为每个参与者处理具有适当业务上下文的相关数据
• 通过 STIX v2.1 标准组织数据结构，以实现不同系统之间的高效互操作性或实时信息交换
• 通过纳米模型（例如，网络事件和威胁情报）
• 由于机器学习模型的协作训练，无需通过实际共享原始数据，跨多个平台成员的隐私得到保护分布式联邦学习。

结论：更好的欺诈管理情报需要集体努力

总之，在整个地区建立风险评估框架的集体智慧对于释放东盟数字经济的乘数影响至关重要。东南亚数字金融服务正处于拐点，预计将产生380亿美元的收入，占金融服务业总额的11%，其中数字支付预计将超过到 2025 年将达到 1 万亿美元。银行和金融服务提供商越来越多地寻求先进的解决方案，利用机器学习和人工智能来挖掘这一潜力。

以数据为中心的用例的有效和可信的结果依赖于可追踪、及时和新鲜的情报。通过模块化技术提供的具有隐私保护技术的联合学习已成为扩展集体智慧的破坏性和创新方式。然而，虽然技术不断进步，但真正的挑战是采用集体智慧的思维方式，并在不同的分布式实体之间实施情报共享的实践。

本文中表达的观点和意见仅代表作者的观点和意见，并不一定反映 CDOTrends 的观点。图片来源：iStockphoto/费奥多拉·基奥塞亚;图表：人力管理