Baiklah, mari saya terangkan siaran akhbar dari 情報通信研究機構 (NICT) tentang ujian perintis yang dijalankan menggunakan teknologi Federated Learning dengan penekanan pada privasi.
Tajuk: Ujian Perintis Menggunakan Teknologi Federated Learning untuk Perlindungan Privasi “DeepProtect” dalam Pengesanan Akaun Bank Palsu Menunjukkan Peningkatan Ketepatan Pengesanan
Intipati Siaran Akhbar:
NICT telah menjalankan ujian perintis (ujian sebenar di dunia nyata) dengan bank untuk mengesan akaun bank palsu atau penipuan. Mereka menggunakan teknologi Federated Learning yang dipanggil “DeepProtect.” Keputusan ujian menunjukkan bahawa penggunaan DeepProtect meningkatkan ketepatan pengesanan akaun palsu tersebut.
Apa itu Federated Learning dan “DeepProtect”?
Secara ringkas, Federated Learning ialah satu kaedah pembelajaran mesin (Machine Learning). Biasanya, untuk melatih model pembelajaran mesin, data daripada pelbagai sumber perlu dikumpulkan di satu tempat (serber pusat). Ini boleh menimbulkan masalah privasi dan keselamatan data.
Federated Learning menyelesaikan masalah ini dengan cara yang pintar. Model pembelajaran mesin dilatih secara teragih (distributed) di pelbagai peranti atau lokasi (dalam kes ini, di sistem setiap bank). Data sensitif kekal di tempat asalnya. Hanya kemas kini (updates) model yang dihantar ke serber pusat. Serber pusat ini kemudian menggabungkan kemas kini ini untuk menghasilkan model yang lebih baik.
“DeepProtect” ialah teknologi Federated Learning yang dibangunkan oleh NICT. Ia mempunyai penekanan khusus pada perlindungan privasi. Ia memastikan bahawa data sensitif tidak didedahkan semasa proses latihan model. Ini penting dalam industri kewangan di mana data pelanggan sangat sensitif.
Mengapa Ini Penting untuk Bank dan Pengguna?
- Meningkatkan Keselamatan: Akaun bank palsu digunakan untuk pelbagai jenis penipuan. Dengan meningkatkan ketepatan pengesanan akaun palsu, bank boleh melindungi dana pelanggan dan mencegah aktiviti haram.
- Privasi yang Dipertingkatkan: Teknologi DeepProtect memastikan bahawa data peribadi pelanggan tidak didedahkan kepada pihak lain. Ini membantu bank mematuhi peraturan privasi yang ketat dan membina kepercayaan dengan pelanggan.
- Kerjasama yang Lebih Baik: Federated Learning membolehkan bank bekerjasama dalam meningkatkan keselamatan tanpa perlu berkongsi data sensitif secara langsung.
Kesimpulan:
Ujian perintis ini menunjukkan bahawa Federated Learning, khususnya teknologi DeepProtect, mempunyai potensi besar untuk meningkatkan keselamatan dan melindungi privasi dalam sektor kewangan. Ia menunjukkan cara bank boleh menggunakan teknologi canggih untuk melawan penipuan sambil memastikan data pelanggan dilindungi. Ini adalah langkah penting ke arah sistem perbankan yang lebih selamat dan dipercayai.
Semoga penjelasan ini mudah difahami!
プライバシー保護連合学習技術「DeepProtect」を活用した銀行の不正口座検知の実証実験を実施し、検知精度向上を確認
AI telah menyampaikan berita.
Soalan berikut digunakan untuk mendapatkan jawapan dari Google Gemini:
Pada 2025-06-10 05:00, ‘プライバシー保護連合学習技術「DeepProtect」を活用した銀行の不正口座検知の実証実験を実施し、検知精度向上を確認’ telah diterbitkan menurut 情報通信研究機構. Sila tulis artikel terperinci dengan maklumat berkaitan dalam cara yang mudah difahami. Sila jawab dalam Bahasa Melayu.
96