Informatique fédérée : entretien avec Ittai Dayan – Fintech Re…


Photo de Markus Spiske sur Pexels.com

Les cybermenaces et les violations de données sont de plus en plus répandues, notamment dans les services financiers. Le secteur bancaire est constamment à la recherche de solutions innovantes pour protéger à la fois les actifs institutionnels et les informations des clients. L’une des pistes d’exploration les plus prometteuses est l’intégration de l’intelligence artificielle pour renforcer les mesures de sécurité, notamment dans la détection des fraudes. Fintech Review a posé quelques questions à Ittai Dayan, co-fondateur et PDG de Rhino Health.

Parlez-nous-en davantage sur la plateforme informatique fédérée Rhino. Quel est votre argumentaire éclair ?

La plateforme informatique fédérée (FCP) de Rhino permet aux scientifiques des données et aux développeurs d’IA d’utiliser les données sans jamais en prendre possession. Nous proposons le « Federated Computing » (FC), c’est ainsi que nous définissons la combinaison de Edge Computing (EC) et de Federated Learning (FL). Ces technologies rationalisent la collaboration en matière de données en laissant les données « au repos » derrière les pare-feu de leurs propriétaires. Cela signifie que les institutions financières (et leurs régulateurs) peuvent libérer la valeur de données auparavant cloisonnées. Cela signifie interroger, analyser, ajuster des modèles prédictifs et les déployer sur des données auparavant inaccessibles. Tout en préservant la souveraineté des données et en réduisant les dépenses associées au stockage et à la sortie des données.

Quel est votre parcours et l’histoire derrière l’entreprise ?

J’ai commencé ma carrière en tant que médecin et chercheur, et Rhino est né du désir de débloquer les silos de données dans le domaine de la santé. J’ai exercé la médecine avant de devenir consultant en gestion et manager au Boston Consulting Group (BCG). Après avoir « eu un avant-goût » de ce que la transformation numérique pourrait apporter aux soins de santé au BCG, j’ai décidé de « mettre la main à la pâte » et de réintégrer le monde de la médecine universitaire, en dirigeant le développement et le déploiement de l’IA dans un centre médical universitaire. . J’ai dirigé le Centre Mass General Brigham (MGB) pour la science des données cliniques. C’est dans ce rôle que j’ai pu constater la puissance de FL, en dirigeant un consortium avec Nvidia et 20 institutions internationales pour mener à bien un projet FL en quelques semaines, ce qui aurait pris des années sous l’ancien paradigme de la « centralisation des données ».

gros plan de lunettes sur un livre
Photo du photographe ugurlu sur Pexels.com

Après avoir quitté MGB, mon co-fondateur et moi avons lancé Rhino avec l’idée que les développeurs d’IA utilisant des données sensibles avaient besoin d’une solution prête pour l’entreprise pour rationaliser le flux de travail de bout en bout de prétraitement et d’harmonisation des données ; exécuter des requêtes sur des ensembles de données répartis dans plusieurs organisations, zones géographiques ou systèmes informatiques ; et finalement former et déployer des modèles prédictifs. La santé était un parfait terrain d’essai en tant qu’industrie hautement réglementée et conservatrice. À partir de là, nous proposons désormais une technologie éprouvée et extensible aux développeurs de tous les secteurs qui ont besoin de travailler avec des données sensibles, que ce soit dans les services financiers, le secteur public, etc.

Qu’est-ce que l’apprentissage fédéré ? Quel est le rapport avec l’informatique de pointe ?

En termes simples, FL est la technique de formation d’un modèle sur des données décentralisées. Essentiellement, FL est une technique d’apprentissage automatique distribué (ML) dans laquelle plusieurs collaborateurs disposent chacun de leurs propres données, et différents modèles de ML sont formés en agrégeant les paramètres de ces participants sans partager les données brutes. FL permet à de nombreux processus informatiques d’identifier et d’apprendre des modèles de données qui restent désagrégées, y compris des méthodes plus « classiques » telles que le clustering et des modèles sophistiqués d’apprentissage en profondeur. Le périphérique local conserve les données et le serveur central reçoit uniquement les paramètres du modèle pour l’agrégation et la mise à jour. Cette approche permet aux organisations de préserver la souveraineté des données tout en maximisant le potentiel de leurs modèles. FL peut améliorer les modèles ML en permettant l’utilisation d’ensembles de données plus grands et plus diversifiés, ce qui est important pour la généralisabilité.

ordinateur portable avec écran vide placé sur la table
Photo de Karina Zhukovskaya sur Pexels.com

L’Edge Computing est, plus largement, le traitement des données au plus près de la source plutôt que la centralisation des données puis leur traitement. FL est une application spécifique de l’edge computing. Une étape essentielle du développement de l’IA consiste à s’assurer que vous disposez des bonnes données et dans le bon format. Nous alimentons plusieurs applications qui permettent l’analyse et la préparation des données. Le FCP combine de manière transparente ces deux technologies puissantes dans une solution de bout en bout, atténuant ainsi un obstacle fréquent aux solutions « DIY » basées sur des frameworks open source non pris en charge.

Quelles sont les applications potentielles pour les institutions financières

Il existe de nombreuses utilisations de l’informatique fédérée dans les services financiers. Certains que nous explorons avec des partenaires comprennent :

Notation de crédit: créez des modèles de notation de crédit plus intelligents tout en conservant les données sensibles des clients sur les serveurs de chaque banque. Cela permettrait aux banques de bénéficier d’un modèle plus complet sans partager les données brutes des clients, offrant ainsi du crédit à davantage de clients sans exposer la banque à un niveau de risque accru.

Détection de fraude: Les institutions financières pourraient développer des modèles de détection de fraude de manière collaborative, en utilisant des données provenant de diverses sources, sans partager des détails de transaction spécifiques qui pourraient enfreindre les réglementations en matière de confidentialité.

Lutte contre le blanchiment d’argent: identifier les modèles de blanchiment d’argent dans plusieurs institutions tout en préservant la confidentialité des transactions individuelles et des détails des comptes.

pexels-photo-3483098.jpeg
Photo de John Guccione sur Pexels.com

Gestion des risques: créer des modèles d’évaluation des risques qui intègrent les données de différentes institutions, facilitant la gestion de portefeuille et l’atténuation des risques – tant pour les institutions individuelles que pour les régulateurs.

Règlement commercial : l’informatique fédérée pourrait être utilisée pour rationaliser le processus de règlement des transactions, qui est un processus multipartite complexe, souvent manuel, qui pourrait être rationalisé en exécutant des processus de validation pré-négociation activés par l’IA.

Quelles sont vos prévisions quant au défi que représente la lutte contre la fraude tout en respectant la confidentialité des données dans les années à venir ?

L’IA est la seule solution évolutive capable de suivre la croissance et l’évolution des transactions financières dans le monde. Les institutions financières et les forces de l’ordre doivent prendre en compte non seulement les paiements traditionnels, mais aussi les milliers de milliards de dollars qui changent de mains via le commerce électronique, les paiements mobiles et les cryptomonnaies. Les décideurs politiques se demandent simultanément comment libérer le potentiel de l’IA tout en tenant compte des préoccupations de leurs citoyens en matière de protection de la vie privée.

FC est la réponse. Les institutions financières et les régulateurs se rendent de plus en plus compte que FC offre une solution élégante, à la fois en permettant des modèles robustes de détection des fraudes utilisant des données provenant de silos disparates, tout en préservant la confidentialité des clients et en se conformant à la réglementation en vigueur.

Y a-t-il une autre innovation dans le domaine de la fintech ailleurs qui vous enthousiasme vraiment ?

informatique fédérée
Photo de Bruno Thethe sur Pexels.com

Conformément à la prédiction ci-dessus concernant spécifiquement la détection de la fraude, nous sommes très enthousiasmés par la « regtech ». FC permet le développement de solutions innovantes pour lutter contre la fraude, le risque systémique et les opérations de back-office, le tout avec une technologie évolutive qui répond aux problèmes de confidentialité qui surviennent souvent avec l’IA. Les back-offices manquant de ressources et les régulateurs apprécieront l’alternative logicielle peu coûteuse au traitement manuel. Les acteurs du système financier seront satisfaits de la rapidité accrue et de la réduction des risques. Et les organismes de surveillance de la vie privée seront ravis de l’accent mis sur la préservation de la vie privée. Rhino a réussi à déployer ces solutions auprès des organismes de santé et de leurs organismes de réglementation, et nous sommes enthousiasmés par l’essor que nous constatons désormais dans les services financiers.

Code promo SCHOOL20

Laisser un commentaire

%d