Federated Learning (Föderales Lernen) mit revolutionärer Technik

Das weltweite System zur Bekämpfung der Geldwäsche steht unter enormem Druck, da illegale Akteure trotz massiver Investitionen und Anstrengungen der Finanzinstitute und Behörden zur Verhinderung und Verfolgung von Finanzkriminalität immer noch Billionen Dollar einnehmen und waschen können. Gefragt sind höhere Wirksamkeit und Effizienz durch den Einsatz neuer Methoden wie dem maschinellen Lernen, während zugleich Daten gesichert und lokalisiert werden müssen und der Datenschutz sichergestellt sein muss. Dieser Artikel zeigt einen Weg auf, wie diese politischen Ziele auf elegante Weise erreicht werden können, indem das derzeitige System durch ein neues Konzept für das System zur Bekämpfung der Geldwäsche ersetzt wird. Dieses Modell basiert auf einer Federated-Learning-Architektur mit der DOZER-Technik von Consilient und den Intel® Software Guard Extensions (Intel® SGX), um Einblicke in die Risiken der Finanzkriminalität auf eine nutzbringende Art und Weise zu teilen. Auf breiter Ebene eingesetzt kann dieses neue Modell dazu beitragen, systemrelevante Risiken im Bereich der Finanzkriminalität über Institutionen und Grenzen hinweg sicher und effektiv zu erkennen, die Belastung durch falsch positive Ergebnisse und die Abhängigkeit von regelbasierten Modellen zu verringern sowie den Datenschutz und die Sicherheit zu verstärken, indem die Analysen zu den Daten und nicht Daten zu den Analysen kommen.