其他行业 · AI应用
基于Azure机器学习的支付欺诈联邦异常检测
Swift与微软合作，利用Azure机器学习构建基础异常检测模型，用于检测和预防金融犯罪。通过联邦学习技术结合Azure机密计算、Microsoft Purview和零信任策略框架，数据无需离开成员的安全位置。该方法融合参与者本地计算训练结果，在保障安全、隐私和成本效益的同时提高模型准确性。Swift网络覆盖超过11,500家金融机构，每年处理超过90亿条金融消息，服务200多个国家。该方案旨在应对每年数十亿美元的欺诈损失以及跨境和即时支付带来的更广泛风险。
通过Azure机密计算和Microsoft Purview，参与者的数据在训练期间保持机密。
未披露
旨在创建基础模型，以改善Swift网络中支付欺诈的检测和预防。
未披露
在不复制或移动成员数据的情况下，在分布式数据集上训练模型（联邦学习）。
未披露
01
业务背景
Swift与微软合作，利用Azure机器学习构建基础异常检测模型，用于检测和预防金融犯罪。通过联邦学习技术结合Azure机密计算、Microsoft Purview和零信任策略框架，数据无需离开成员的安全位置。该方法融合参与者本地计算训练结果，在保障安全、隐私和成本效益的同时提高模型准确性。Swift网络覆盖超过11,500家金融机构，每年处理超过90亿条金融消息，服务200多个国家。该方案旨在应对每年数十亿美元的欺诈损失以及跨境和即时支付带来的更广泛风险。
02
遇到的问题
03
AI 解决方案
04
实施结果
通过Azure机密计算和Microsoft Purview，参与者的数据在训练期间保持机密。：
旨在创建基础模型，以改善Swift网络中支付欺诈的检测和预防。：
在不复制或移动成员数据的情况下，在分布式数据集上训练模型（联邦学习）。：
Swift网络包括超过11,500家金融机构，每年处理超过90亿条金融消息，服务200多个国家。：
应对每年数十亿美元的欺诈损失以及跨境和即时支付带来的更广泛风险。：
05
风险与边界
“”
信息来源
1 个来源页面内容为结构化改写；关键结论应可追溯到以下材料。