Je vais sécuriser les données financières sensibles en préservant le ml pour l'analytique prédictive

Le problème

Notre client, une institution financière de premier plan, devait exploiter le machine learning pour l'analytique prédictive tout en garantissant la sécurité et la confidentialité des données sensibles. Les modèles traditionnels de machine learning présentaient des limites pour préserver la vie privée des données, notamment lorsqu'il s'agissait d'informations financières sensibles.

Notre solution

Nous avons proposé d'intégrer le chiffrement entièrement homomorphe (FHE) avec le puissant modèle XGBoost pour offrir des capacités d'analytique prédictive sécurisées et respectueuses de la vie privée. En mettant en œuvre FHE-XGBoost, nous visons à permettre au client d'utiliser le machine learning pour la prise de décision sans compromettre la confidentialité des données.

Technologies utilisées

Outils utilisés

• Bibliothèque SEAL, XGBoost, PDTE (moteur d'arbre de décision prédictif), bibliothèques FHE

Langages/techniques utilisés

• Python, chiffrement homomorphe, intégration de modèles de machine learning

Modèles utilisés

• FHE-XGBoost

Compétences mobilisées

• Machine learning, cryptographie, développement logiciel
• Serveurs cloud web
• Machine virtuelle (Linux)

Impact sur l'entreprise

Sécurité accrue des données : En mettant en œuvre FHE-XGBoost, le client a renforcé la sécurité de ses données en effectuant des analyses prédictives sur des données chiffrées, réduisant ainsi le risque de violations de données.