Data privacy and audit compliance of supply chain finance warehouse receipt pledge based on WSN federated edge learning

في عالم التمويل الحديث، غالباً ما تعاني الشركات الصغيرة والمتوسطة من أجل الحصول على القروض التي تحتاجها للنمو. وأحد الحلول الشائعة هو تمويل رهن إيصالات المستودعات، حيث تستخدم الشركة مخزونها المخزن — مثل الحبوب أو المعادن أو السلع المصنعة — كضمان لتأمين قرض من البنك. ولكي يعمل هذا النظام، يجب على البنك أن يثق في أن هذه السلع موجودة بالفعل، وأنها في حالة جيدة، ولم يتم استبدالها أو التلاعب بها. تقليدياً، يعتمد التحقق من ذلك على عمليات التفتيش اليدوية والجرد الدوري، وهي عمليات بطيئة وعرضة للخطأ وتترك فجوات في المعرفة. علاوة على ذلك، فإن البيانات التي تصف هذه السلع والتفاصيل المالية للقروض حساسة للغاية؛ إذ غالباً ما تتعامل البنوك والمستودعات مع هذه المعلومات كأسرار، مما يخلق جيوباً معزولة من البيانات لا يمكن مشاركتها بسهولة لبناء صورة أفضل للمخاطر. وهذا يخلق معضلة: كيف يمكن للبنوك التعاون للكشف عن الاحتيال وإدارة المخاطر دون إجبار الشركات على كشف أسرار أعمالها الخاصة؟

لحل هذه المشكلة، طور باحثون من جامعة شاندونغ للتكنولوجيا نظاماً جديداً يجمع بين المستشعرات الفيزيائية، وطريقة لتدريب الذكاء الاصطناعي دون مشاركة البيانات الخام، وسجلاً رقمياً للتحقق. لقد ركزوا على سيناريو حيث تحتاج مستودعات متعددة، كل منها يحمل أنواعاً مختلفة من السلع لشركات مختلفة، إلى العمل معاً لرصد الرهونات الخطرة. بنى الفريق نظاماً يستخدم مستشعرات لاسلكية لمراقبة السلع، وطريقة تعلم ذكية تحافظ على خصوصية البيانات محلياً، وطريقة آمنة لإثبات اتباع القواعد دون كشف الأسرار. ويوضح عملهم أنه من الممكن إنشاء نموذج مخاطر عالي الدقة يحترم الخصوصية ويلبي متطلبات التدقيق التنظيمي الصارمة، وكل ذلك مع العمل ضمن القدرات المحدودة لشبكات المستشعرات الصغيرة.

بدأ الباحثون بمعالجة الواقع المادي للسلع المرهونة. فقد جهزوا المستودعات بشبكة من المستشعرات اللاسلكية الصغيرة التي تراقب باستمرار درجة الحرارة، والرطوبة، والوزن، وموقع العناصر. تعمل هذه المستشعرات بمثابة عين رقمية مستمرة، تلتقط الحالة اللحظية للمخزون. وبدلاً من إرسال هذه البيانات الخام والحساسة إلى خادم مركزي حيث يمكن سرقتها أو تسريبها، يقوم النظام بمعالجة المعلومات محلياً في المستودع. ثم ينشئ "إيصال مستودع رقمي"، وهو سجل آمن يربط الحالة الفيزيائية للسلع بالتفاصيل التجارية للقرض. ويتم تخزين هذا الإيصال على "البلوكشين" (Blockchain)، وهو نوع من السجلات الرقمية التي يصعب جداً التلاعب بها، مما يضمن أن سجل ما هو موجود في المستودع يطابق الواقع المادي. وإذا اكتشفت المستشعرات انخفاضاً مفاجئاً في درجة الحرارة أو تغيراً في الوزن لا يتوافق مع السجلات، يقوم النظام فوراً برصد خلل، وينبه كل من مشغل المستودع والبنك.

بمجرد تأمين البيانات المادية وتحويلها إلى سجلات رقمية موثوقة، عالج الباحثون تحدي نمذجة المخاطر التعاونية. في الإعداد التقليدي، سيتعين على البنوك مشاركة بياناتها الخاصة لتدريب نموذج حاسوبي يتنبأ بالقروض الخطرة. أما في هذا النهج الجديد، فإن البيانات لا تغادر المستودع أبداً. بدلاً من ذلك، استخدم الباحثون تقنية تسمى "التعلم الحافي الموحد" (Federated Edge Learning). تخيل مجموعة من الطلاب في فصول دراسية مختلفة يحاولون جميعاً حل نفس المسألة الرياضية الصعبة؛ فبدلاً من إرسال دفاتر ملاحظاتهم إلى معلم مركزي ليقوم بتصحيحها، يعمل كل طالب على مسألته الخاصة، ويستنتج القاعدة العامة التي اكتشفها، ثم يرسل فقط تلك القاعدة إلى المعلم. يقوم المعلم بدمج كل القواعد لإنشاء دليل رئيسي ويرسله مرة أخرى، ثم يستخدم الطلاب هذا الدليل المحسن لتحسين عملهم الخاص. في هذا النظام، يعمل كل مستودع كفصل دراسي، حيث يقوم بتدريب نسخة محلية من نموذج المخاطر بناءً على بياناته الخاصة. وهم يشاركون فقط "القواعد" التي تعلموها — أي التحديثات الرياضية للنموذج — بدلاً من البيانات الخام نفسها.

ولجعل هذه العملية فعالة وموثوقة، أضاف الباحثون عدة طبقات من الذكاء. فقد صمموا عملية اختيار تختار المستودعات المشاركة في كل جولة من جولات التعلم بناءً على مدى موثوقيتها وطاقة بطاريتها المتبقية، مما يضمن أن العقد الموثوقة وذات الطاقة الجيدة فقط هي التي تساهم. كما قدموا آلية لمنع النماذج المحلية من الانحراف بعيداً عن بعضها البعض، وهي مشكلة شائعة عندما تمتلك المستودعات أنواعاً مختلفة جداً من السلع. ولزيادة حماية الخصوصية، غلف الباحثون تحديثات النموذج بطبقتين من الأمن؛ أولاً، أضافوا كمية صغيرة من الضجيج الرياضي إلى التحديثات، مما يجعل من المستحيل عكس هندسة البيانات الأصلية. ثان، قاموا بتشفير التحديثات بحيث يمكن دمجها وهي لا تزال مغلقة في تنسيق آمن، حيث لا يمكن إلا لسلطة موثوقة فك تشفير النتيجة النهائية المجمعة. يضمن هذا أنه حتى لو اعترض شخص ما البيانات التي يتم إرسالها بين المستودعات، فلن يتمكن من رؤية أسرار الأعمال الكامنة وراءها.

أخيراً، يتضمن النظام مسار تدقيق مدمج يلبي متطلبات المنظمين. يتم تسجيل كل خطوة من خطوات عملية التعلم على "البلوكشين"، مما يخلق تاريخاً شفافاً يوضح من شارك، وما هي القواعد التي تم اتباعها، وكم قدر حماية الخصوصية التي تم تطبيقها. وتقوم "العقود الذكية" (Smart Contracts)، وهي اتفاقيات ذاتية التنفيذ على البلوكشين، بالتحقق تلقائياً مما إذا كانت العملية قد امتثلت لجميع اللوائح. وإذا حاول مستودع ما الانحراف عن البروتوكول أو إذا تم تجاوز حدود الخصوصية، يمكن للنظام اكتشاف ذلك وتنبيه السلطات. وهذا يخلق حلقة مغلقة حيث تتم مراقبة الخصوصية والدقة والامتثال في الوقت الفعلي.

تظهر نتائج الدراسة أن هذا النهج فعال للغاية. ففي اختباراتهم، حققت الطريقة الجديدة معدل دقة بلغ 94.8% في تحديد المخاطر، وهو أعلى بكثير من الطرق القياسية الموجودة. وحتى عندما كانت البيانات من المستودعات المختلفة متباينة جداً عن بعضها البعض — وهو ظرف عادة ما يربك النماذج الحاسوبية — ظل النظام الجديد قوياً، محافظاً على دقة عالية حيث فشلت الطرق الأخرى. ووجد الباحثون أيضاً أن النظام يمكنه العمل في ظل ظروف خصوصية صارمة؛ فعندما رفعوا مستوى حماية الخصوصية إلى أقصى حد، ظل النظام يحافظ على دقة بلغت 83.6%، بينما انخفضت الطرق الأخرى إلى 72.5%. ورغم أن الإجراءات الأمنية تطلبت وقتاً أطول في الحوسبة وطاقة أكبر، إلا أن المقايضة كانت ضئيلة فيما يتعلق بالنتيجة النهائية. وتخلص الدراسة إلى أنه من خلال دمج المستشعرات اللاسلكية، والتعلم الآمن، والتحقق عبر البلوكشين، يمكن بناء نظام تمويل لسلاسل التوريد ليس فقط أكثر ذكاءً ودقة، بل يحترم أيضاً خصوصية كل مشارك ويلبي المتطلبات الصارمة للمنظمين الماليين.