Сейчас мы ежедневно сталкиваемся с двумя вещами: финтех и машинное обучение. Эти два слова являются отраслевыми модными словами наряду с другими словами, но если вы открыли эту статью, это означает, что вы уже знакомы с этими терминами.
В этой статье мы рассмотрим федеративное или совместное машинное обучение в финтехе.
Источник: https://ai.googleblog.com/2017/04/federated-learning-collaborative.html
Основные определения: -
Давайте сначала разберемся с определениями основных терминов.
Финансовые технологии:
Финансовые технологии (FinTech) — это технологии и инновации, направленные на то, чтобы конкурировать с традиционными финансовыми методами предоставления финансовых услуг. Это новая отрасль, которая использует технологии для улучшения финансовой деятельности. — Реф-Википедия
Федеративное машинное обучение:
Федеративное обучение (также известное как совместное обучение) – это метод машинного обучения, который обучает алгоритм на нескольких децентрализованных периферийных устройствах.
Чтобы понять федеративное обучение в забавной и простой форме, посетите следующий веб-сайт.
Зачем финтеху федеративное машинное обучение?
В законодательстве о защите данных происходит постоянная эволюция, каждая страна хочет защитить пользователей и сохранить их данные в безопасности. Решающее значение имеет соблюдение нормативных требований и выявление рисков и мошенничества. Чтобы решить эту проблему, мы можем воспользоваться федеративным машинным обучением. В традиционном машинном обучении и без различных законов о защите данных мы можем собирать данные, отправлять эти данные на центральный сервер, выполнять обработку данных, находить информацию и принимать решения. Это простой процесс, которому мы следуем.
Ниже приведены некоторые проблемы, связанные с законами о защите данных и техническими проблемами, связанными с обработкой этих данных.
- Хранилище данных при локализации. Большая часть страны хочет хранить пользовательские данные в пределах физических границ этой страны.
- Получение четкого и законного согласия:примите согласие перед сбором данных, не собирайте что-либо без согласия пользователя. мы должны информировать пользователя о том, в каком объеме мы будем использовать информацию. Является ли это специфичным для этой деятельности и т. д.
- Сохранение данных. Сохранение данных в нужном масштабе и их безопасное обслуживание — самая важная задача.
- Сеть. Сбор данных и безопасная передача этих данных по сети требуют времени и затрат.
- Вычисления.Как только мы соберем эти огромные данные, их обработка, очистка и анализ потребуют огромных вычислительных мощностей.
Есть еще несколько крайних случаев, мы можем решить большинство проблем с помощью поставщиков облачных услуг.
Поставщик облачных услуг может предоставлять услуги, но это требует затрат на сеть, данные и вычисления.
Вместо того, чтобы платить за вычисления, давайте хранить данные локально и использовать периферийные устройства и вычислительную мощность.
Преимущества федеративного обучения: -
- Вычисления перенесены на периферийные устройства.
- Более высокая точность благодаря контекстно-зависимому обучению.
- Более безопасный из-за отсутствия необходимости передачи данных по сети.
- Низкие накладные расходы на облачную инфраструктуру.
- Сохранение конфиденциальности.
Храните данные в руках владельцев, но при этом сохраняйте способность находить понимание — в этом прелесть федеративного машинного обучения.
Выше приведены некоторые плюсы FL, но FL не решит всех проблем.
Технология – это решение конкретных проблем.
FL в финтехе: -
- Найдите утечку данных и мошенничество ATO (захват учетной записи).
- Кредитный скоринг.
- Прогнозирование и предотвращение рисков.
- Получите цифровой след пользователя, который поможет предотвратить мошенничество.
- KYC без передачи данных в облако.
Вывод:-
В этой статье мы обсудили варианты использования федеративного обучения для финансовой области. Прогнозирование и предотвращение рисков является основным вариантом использования, но внутри предотвращения рисков есть несколько уровней, таких как ATO, дружественное мошенничество и т. д. Существует множество вариантов использования федеративного обучения, когда мы объединяем FL с распределенным реестром. Когда мы объединяем две вещи, мы получаем что-то новое, инновационное. Это пока, дайте мне знать, если у вас есть что-то простое, но великое в вашем уме.
Ссылки для обучения: -
https://www.tensorflow.org/federated
https://ai.googleblog.com/2017/04/federated-learning-collaborative.html
https://en.wikipedia.org/wiki/Federated_learning
https://arxiv.org/pdf/1610.02527.pdf
Еще такие статьи:-
Давайте общаться в Stackoverflow, LinkedIn, Facebook и Twitter.