A trading floor, rows of multi-monitor desks facing a curved video wall of market charts

金融

跨行反欺诈需要共享模型训练,而法务团队拒绝共享原始交易数据。每一笔训练贡献,皆有密码学证明。

预约演示
概览

欺诈情报共享,原始交易零共享。

相互竞争的机构无需交出任何一笔交易,即可共同训练欺诈情报模型。当检查人员质询模型时,您的团队拿出的是可复现的密码学证据——而不是一份辩护备忘录。

0共享的原始交易

跨行欺诈信号经安全聚合计算得出——交易数据永远不会被汇集。

4已映射监管框架

专为 FFIEC、FinCEN、NYDFS 500 与 GLBA 审查打造的运行时存证记录。

0模型更新可读性

单个模型更新在密码学上保持不可读——即使对 STEAV 也是如此。

4–6 周完成首次存证运行

首个合作周期内,产出可供监管检查的签名执行记录。

迎检就绪

检查人员看到的,就是平台证明过的。

这并不取代您的模型风险框架。验证需要哪些证据由您的框架决定,CID 负责自动生成这些证据。原本为每个验证周期重新拼凑模型历史的工作,改为在构建过程中完成。

FFIEC · SR 11-7 模型风险

经存证的评估与基准测试阶段,顺带产出检查人员索要的模型文档——是平台运行的自然产物。

NYDFS Part 500

防篡改审计日志为审计追踪要求提供支撑。任何获得访问权限的审计方都可独立核验。

GLBA

原始交易从不离开机构。安全聚合确保单个更新不可读取。

FinCEN · AML

跨机构图学习,无需汇集数据:每项贡献都有记录,客户数据不共享。

安全聚合

相互竞争的机构,一个共享模型,零共享数据。

每家银行本地训练,离开边界的只有模型更新。安全聚合将它们合并,任何单个更新都无法被读取,即使 STEAV 也不例外。

联邦 / 实时聚合中
参与机构
9
共享的原始记录
0
更新可读
无
已记录的贡献
100%

应用场景

银行的实际用法

应用场景
跨行反欺诈跨机构共享欺诈信号,却不共享任何一笔交易。
面向征信不足人群的信用评分更多机构带来更广的信号,且公平性指标可以直接呈给监管机构。
AML 图学习 · 文档 KYC跨机构的网络级检测,无需汇集客户记录。
推荐部署方式安全 BYOC

部署在您的云边界之内。

CID 原生运行在您的云账户内。客户交易、模型权重与核心逻辑从不触及 STEAV 的基础设施。

数据主权

绝对网络隔离。客户记录任何时候都留在您的受监管边界之内。

基础设施

为自建 GPU 集群的机构提供托管与自管两种选项。

成为合作伙伴

4–6 周完成首次流水线运行,8–12 周实现首个生产级联邦。

启动试点
与我们合作

给检查人员的是证据,不是说辞。

不必再装订迎检材料。STEAV 在共享模型流水线运行时记录每一个步骤,检查人员所需的一切随时可得,无需额外的工程投入。

试点包含的内容
✓在您云边界内搭建的专属环境
✓您的第一份密码学签名执行记录
✓可用于真实检查的迎检证据导出
✓专属 STEAV 工程师全程护航,直至上线
第 0 周
需求界定

我们与您梳理一条反欺诈工作流,并在您的云中搭建环境。

第 4–6 周
首次存证运行

一份可直接递交检查人员的签名执行记录。

第 8–12 周
生产级联邦

跨机构实时训练上线,每次运行都产出证据。