Блокчейн и машинное обучение: идеальное сочетание для финансового сектора
Мы знаем, что Блокчейн — это, по сути, распределенная база данных записей или общедоступная книга всех транзакций или цифровых событий, которые были выполнены и переданы участвующим членам или организациям. Каждая отдельная транзакция в этой публичной книге проверяется консенсусом большинства участников системы. Как только участник входит, эта информация никогда не может быть стерта. Блокчейн содержит определенную и поддающуюся проверке запись каждой отдельной транзакции, которая была или когда-либо выполнялась.
Дело в том, что Блокчейн устанавливает систему создания распределенного консенсуса в цифровом онлайн-мире. Это позволяет участвующим организациям точно знать, что цифровое событие произошло, путем создания неопровержимой записи в публичном реестре. Блокчейн открыл двери для создания демократичной, открытой и масштабируемой цифровой экономики из централизованной.
Возможности этой прорывной технологии безграничны, и революция в этой области только началась. Мы кратко рассмотрим, как технология Blockchain и машинное обучение могут использовать финансовый сектор.
Машинное обучение
Чтобы использовать весь потенциал Блокчейна, организации должны научиться использовать качества Блокчейна, чтобы повысить свою способность контролировать отмывание денег и финансирование терроризма. Крупные финансовые учреждения могут улучшить свои возможности мониторинга, развернув алгоритмы машинного обучения в блокчейне транзакций.
Как они могут добиться этого?
В машинном обучении во всем мире используются два основных типа методов: контролируемый и неконтролируемый.
Контролируемое машинное обучение
Контролируемое машинное обучение означает общую доступность набора обучающих данных, который состоит из финансовых транзакций, помеченных как несоответствующие, мошеннические или соответствующие требованиям, нормальные. В этой системе алгоритм обучения с учителем строит прогностические шаблоны, чтобы различать два разных класса: несоответствующие и совместимые транзакции. Этот тип модели является прогностической моделью, которая затем используется для выявления новых несоответствующих транзакций.
Неконтролируемое отмывание денег
Неконтролируемое машинное обучение не требует для завершения набора помеченных обучающих транзакций. В настоящее время одним из наиболее популярных методов обучения без учителя, используемых для обнаружения мошенничества, является обнаружение аномалий. При обнаружении аномалий делается неявное предположение, что несоответствующие транзакции являются редкими случаями и отличаются от совместимых транзакций. При обнаружении аномалий транзакции, поведение которых отличается от поведения обычных транзакций, идентифицируются как потенциально несоответствующие транзакции.
Развертывание машинного обучения и блокчейна для повышения эффективности финансовых транзакций
Когда мы говорим о развертывании технологий машинного обучения в блокчейне в двух режимах: пакетном режиме и режиме реального времени. С одной стороны, пакетный режим просматривает исторические транзакции для выявления несоответствующих/мошеннических транзакций. В режиме реального времени модели, разработанные с использованием алгоритмов машинного обучения, отслеживают транзакции блокчейна в режиме реального времени и делают прогнозы для транзакций, которые могут не соответствовать требованиям. Обнаружение мошенничества делает неявное предположение, что несоответствующие или мошеннические транзакции случаются редко и отличаются от соответствующих и обычных транзакций.
Общая возможность всей цепочки транзакций увеличивает размер популяции и имеет потенциал для алгоритмов машинного обучения для обучения точных прогностических моделей для обнаружения несоответствующих/мошеннических транзакций. Как контролируемое, так и неконтролируемое обучение дополняют друг друга. Контролируемое машинное обучение, с одной стороны, предполагает наличие набора обучающих данных, состоящих из финансовых транзакций, помеченных как несоответствующие или соответствующие требованиям. Технология блокчейн может обеспечить доступ в режиме реального времени ко всем подтвержденным транзакциям. Использование актуальных обучающих данных способствует более актуальным алгоритмам контролируемого машинного обучения.
С одной стороны, неконтролируемое обучение не требует помеченных обучающих данных и может применяться для выявления аномальных транзакций в блокчейне, то есть транзакций, отклоняющихся от обычных транзакций в блокчейне. Блокчейн создает среду, в которой любой из сторон сложно предоставить ложную информацию, например, несанкционированное создание учетной записи, незаконное присвоение средств, двойное выставление счетов и т. д. Это, в свою очередь, ограничивает общее количество традиционных несоответствующих транзакций, потенциально снижение частоты, с которой учреждению необходимо разрабатывать новые прогностические модели.
Заключение
Мы должны признать тот факт, что будущее регулирования блокчейна неопределенно, как мы говорим сегодня. Тем не менее, люди настроены позитивно и считают, что это, несомненно, повлияет на то, как институты разрабатывают, используют и извлекают выгоду из этой технологии. Крайне важно, чтобы специалисты по соблюдению требований во всем мире понимали блокчейн и занимали место за столом переговоров, когда их учреждения обсуждают его внедрение и внедрение.
Мы считаем, что лица, принимающие решения, и специалисты по соблюдению нормативных требований должны понимать преимущества и ограничения блокчейна для своих организаций и должны искать инновационные способы, такие как применение машинного обучения, для улучшения его неотъемлемых преимуществ. Это дает неизбежную выгоду и возможность для кого-то вроде компании-разработчика блокчейна, которая может предоставлять услуги, которые усиливают организационные процессы и катапультируют их впереди своих конкурентов.
