Sintesi del progetto
Il progetto esplora l’uso del Federated Learning nel settore finanziario, un ambito in cui la collaborazione tra istituzioni è necessaria ma fortemente limitata dalle normative sulla privacy. L’obiettivo è migliorare l’identificazione di soggetti coinvolti in attività sospette – come riciclaggio di denaro o finanziamento illecito – senza che le banche debbano scambiarsi dati sensibili. Il Federated Learning offre una soluzione innovativa, permettendo di addestrare modelli condivisi mantenendo i dati all’interno di ciascuna istituzione.
Obiettivi
Il progetto punta a dimostrare come l’apprendimento federato possa essere applicato a un problema concreto: la disambiguazione delle entità nelle transazioni finanziarie. Questo processo è fondamentale per migliorare i sistemi AML (Anti-Money Laundering) e CTF (Counter-Terrorist Financing), che spesso richiedono di individuare connessioni tra soggetti operanti su conti diversi o presso istituzioni differenti. L’obiettivo è creare un framework collaborativo che rispetti pienamente le normative europee in materia di protezione dei dati.
Problemi e necessità
Le attività sospette nel settore finanziario possono coinvolgere conti e movimenti distribuiti tra più banche. Tuttavia, le rigidissime norme sulla privacy impediscono la condivisione diretta dei dati. Questo limita l’efficacia dei sistemi di monitoraggio e riduce la capacità di individuare schemi complessi. Il progetto affronta questo punto critico: collaborare senza perdere il controllo dei dati.
Soluzioni sviluppate
Il progetto ha dimostrato che il Federated Learning può supportare la disambiguazione dei beneficiari attraverso un’architettura distribuita basata su CharacterBERT. È stato definito un modello centrale di riferimento e sono state sperimentate diverse strategie federate, ottenendo risultati oltre il 93% di accuratezza. Sono stati testati diversi framework, arrivando alla costruzione di un prototipo stabile capace di funzionare in uno scenario realistico client-server senza scambio di dati grezzi. Parallelamente è stato condotto uno studio legale che ha confermato la compatibilità del Federated Learning con i principi GDPR – come minimizzazione dei dati e sicurezza – pur richiedendo misure tecniche e organizzative aggiuntive per garantire piena conformità.
Impatti
Il progetto può migliorare la capacità di individuare transazioni sospette e attività di riciclaggio, con un impatto diretto sulla sicurezza economica e sulla tutela dei cittadini. Permette alle istituzioni finanziarie di collaborare senza condividere informazioni personali, aumentando la fiducia e la trasparenza. Inoltre, la stessa tecnologia potrà essere applicata ad altri settori che necessitano di analisi congiunta senza violare la privacy, come sanità, pubblica amministrazione o ricerca scientifica.
Settori di applicazione
Il lavoro del progetto proseguirà testando il modello federato in scenari più ampi e realistici e integrandolo nei sistemi antiriciclaggio esistenti. L’approccio potrà essere esteso a nuovi contesti in cui la collaborazione tra enti è necessaria ma i dati non possono essere centralizzati. Il codice sarà rilasciato pubblicamente, così da facilitare l’adozione della metodologia da parte di istituzioni pubbliche, aziende e università.
