Finansų institucijos dabar susiduria su didžiuliu iššūkiu: apsaugoti trilijonus dolerių, tekančių per vis sudėtingesnes ir susietas bankininkystės infrastruktūras. Dirbtinio intelekto, privatumo orientuotos architektūros ir pažangios rizikos analizės sankryžoje stovi Bharath Somu – vyresnysis inžinierius ir pirmaujanti jėga už naujos kartos sukčiavimo prevencijos sistemų skaitmeninėje finansų srityje.
Bharath neseniai paskelbtas tyrimas, pavadintas „Agentinis sukčiavimo prevencija pagal AI: daugiagento bendradarbiavimo modeliai realaus laiko grėsmių aptikimui ir reagavimui skaitmeninėje bankininkystėje“Kaip dalis platesnės akademinės ir pramonės misijos, Bharath darbas integruoja įžvalgas iš daugelio agentų sistemų, federalizuoto mokymosi ir elgesio analizės sukurti sukčiavimo aptikimo mechanizmus, kurie yra ne tik tikslūs, bet ir privatumą gerbiantys ir pritaikomi.
„Agentinis sukčiavimo prevencija pagal AI: daugiagento bendradarbiavimo modeliai realaus laiko grėsmių aptikimui ir reagavimui skaitmeninėje bankininkystėje“Nuo tradicinių kliūčių iki AI-Led inovacijų
Istoriškai bankai remiasi taisyklėmis pagrįstomis sistemomis ir prižiūri mokymosi modelius, apmokytus paveldėtų duomenų rinkinių. Nors veiksmingos prieš žinomus sukčiavimo modelius, šios sistemos kovojo su naujų ar mažo dažnio išpuolių aptikimu, ypač tų, kurie išnaudoja pažeistus įgaliojimus, sintetines tapatybes ar socialinę inžineriją.
Vietoj to jo tyrimai siūlo perėjimą prie decentralizuoto modelio, įsišaknijusioAgentūra AI— paradigma, kurioje autonominiai programinės įrangos agentai bendradarbiauja, mokosi ir prisitaiko realiu laiku per paskirstytas aplinkas. Šie agentai yra skirti dalytis grėsmių žvalgyba neatskleidžiant jautrių klientų duomenų, o tai įmanoma dėl federalizuoto mokymosi ir diferencinių privatumo sistemų.
Leidžiant bankams bendrai mokyti sukčiavimo aptikimo algoritmus nesidalijant žaliaviniais sandorių duomenimis, šis modelis skatina bendradarbiavimo atsparumą išlaikant institucinę autonomiją.
Agentų žvalgyba ir bendradarbiavimo gynyba
"Bharath" sistemos pagrindas yra daugiafunkcinė architektūra, skirta aptikti sukčiavimą įvairiais aspektais - elgesio anomalijomis, įrenginių apgaulėmis ir neįprastais sandorių srautais - imituojant realaus laiko bankininkystės sąveiką.
Kai agentai aptinka įtartinus modelius, jie asynchroniškai bendrauja per užšifruotą pranešimų autobusą, pasinaudodami pasitikėjimo koeficientu pagrįstais konsensuso algoritmais, kad nustatytų, ar sandoris turėtų būti pažymėtas tolesniam peržiūrai.
Šis autonominių agentų modelis, sudarantis decentralizuotą konsensusą, gerai atitinka šiuolaikinės bankininkystės poreikius.Architektūra leidžia institucijoms vystytis nuo pasyvaus sukčiavimo aptikimo iki aktyvaus sukčiavimo prognozavimo, sukuriant sistemą, kuri auga protingesnė, kai ji plečiasi.
Federalizuotas mokymasis ir privatumo suvokimo rizikos analizė
Bharath darbo tema yra pusiausvyra tarp veiksmingumo ir etikos.Privatumo rūpesčiai ypač akivaizdūs finansų sektoriuje, kur jautri naudotojų informacija yra ir tikslas, ir atsakomybė.
Siekiant išspręsti šią problemą, siūloma sistema vengia tradicinio duomenų centralizavimo. Vietoj to, kiekvienas bankas vietos lygmeniu rengia savo sukčiavimo aptikimo modelį, naudodamas nuosavybinius duomenis. Šie modeliai tada dalijasi šifruotais parametrų atnaujinimais, o ne klientų įrašais, per saugų federalizuotą mokymosi vamzdelį.
Šią bazę dar labiau sustiprina Bayezijos pažeidžiamumo modeliavimo metodas, kuris apibūdina priešininkų bandymus suklaidinti sistemą.Ši tikimybinė sistema leidžia agentams prisitaikyti prie naujų atakų vektorių, perkeliant sukčiavimo aptikimo modelį iš statinio taisyklių rinkinio į gyvą, reaguojantį tinklą.
Realaus pasaulio aktualumas ir ateities dizainas
Bharath'o darbas yra ne tik akademinis. jo vaidmuo „American Express“ apima gamybos gatavų AI įrankių kūrimą sandorių vientisumui ir reguliavimo atitikčiai. Nuo kovos su sintetiniu tapatybės sukčiavimu iki atsparių debesies natūralių infrastruktūrų organizavimo, jo sprendimai jungia pažangiausius mokslinius tyrimus su realaus pasaulio taikymu.
Viename iš jo pastebimų diegimų Bharath modeliai leido aktyviai aptikti sukčiavimą per svetingumo orientuotą skaitmeninės bankininkystės platformą, dinamiškai prisitaikant prie unikalių viešbučių partnerių ir jų verslo klientų elgesio profilių.
Be to, modelio integracija su infrastruktūros kaip kodo praktikomis ir nulinio pasitikėjimo architektūros principais užtikrina suderinamumą su šiuolaikiniais „DevOps“ ir atitikties protokolais, leidžiančiais sklandžiai diegti pasaulines finansines ekosistemas.
Už pažangesnę, saugesnę finansinę ateitį
Kadangi dirbtinis intelektas ir toliau iš naujo apibrėžia skaitmeninio pasitikėjimo ir saugumo kraštovaizdį, Bharath Somu tyrimai išsiskiria kaip etinių naujovių žibintas. jo agentiškas, privatumo išsaugojimo požiūris yra ne tik apie protingesnius algoritmus - tai apie iš esmės persvarstyti, kaip institucijos bendradarbiauja, prisitaiko ir kuria pasitikėjimą vis priešiškesnėje skaitmeninėje aplinkoje.
Užuot žiūrėjęs į sukčiavimą kaip į atskirą techninę problemą, Bharath ją įtraukia į platesnį sisteminio atsparumo, reguliavimo žvalgybos ir prisitaikančių ekosistemų kontekstą.
Pasaulyje, kuriame finansiniai sukčiavimai vystosi antrą kartą, atsparumas turi būti protingas, paskirstytas ir bendradarbiaujantis.Bharath pažymėjimai"Su agentiniu AI mes kuriame tą ateitį - vieną sąveiką vienu metu".
