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

En el mundo de las finanzas modernas, las pequeñas y medianas empresas suelen tener dificultades para obtener los préstamos que necesitan para crecer. Una solución común es el financiamiento mediante la prenda de recibos de almacén, donde una empresa utiliza su inventario almacenado —como granos, metales o productos manufacturados— como garantía para asegurar un préstamo de un banco. Para que este sistema funcione, el banco debe confiar en que los bienes realmente existen, que están en buen estado y que no han sido intercambiados o manipulados. Tradicionalmente, la verificación depende de inspecciones manuales e inventarios periódicos, que son lentos, propensos a errores y dejan brechas de conocimiento. Además, los datos que describen estos bienes y los detalles financieros de los préstamos son altamente sensibles. Los bancos y los almacenes suelen tratar esta información como un secreto, creando núcleos aislados de datos que no pueden compartirse fácilmente para construir una mejor imagen del riesgo. Esto crea un dilema: ¿cómo pueden los bancos colaborar para detectar el fraude y gestionar el riesgo sin obligar a las empresas a revelar sus secretos comerciales privados?

Para resolver esto, investigadores de la Universidad de Tecnología de Shandong han desarrollado un nuevo sistema que combina sensores físicos, un método para entrenar inteligencia artificial sin compartir datos brutos y un libro de contabilidad digital para la verificación. Se centraron en un escenario donde múltiples almacenes, cada uno con diferentes tipos de bienes para diferentes empresas, necesitan trabajar juntos para detectar pignoraciones riesgosas. El equipo construyó un sistema que utiliza sensores inalámbricos para vigilar los bienes, un método de aprendizaje inteligente que mantiene los datos locales y una forma segura de demostrar que se siguieron las reglas sin exponer los secretos. Su trabajo demuestra que es posible crear un modelo de riesgo altamente preciso que respete la privacidad y satisfaga las estrictas auditorías regulatorias, todo ello operando con la potencia limitada de pequeñas redes de sensores.

Los investigadores comenzaron abordando la realidad física de los bienes pignorados. Equiparon los almacenes con una red de pequeños sensores inalámbricos que monitorean constantemente la temperatura, la humedad, el peso y la ubicación de los artículos. Estos sensores actúan como un ojo digital continuo, capturando el estado en tiempo real del inventario. En lugar de enviar estos datos brutos y sensibles a un servidor central donde podrían ser robados o filtrados, el sistema procesa la información localmente en el almacén. Luego crea un "recibo de almacén digital", un registro seguro que vincula la condición física de los bienes con los detalles comerciales del préstamo. Este recibo se almacena en una cadena de bloques (blockchain), un tipo de libro de contabilidad digital que es extremadamente difícil de alterar, asegurando que el registro de lo que hay en el almacén coincida con la realidad física. Si los sensores detectan una caída repentina en la temperatura o un cambio en el peso que no coincide con los registros, el sistema marca inmediatamente una anomalía, alertando tanto al operador del almacén como al banco.

Una vez que los datos físicos se aseguran y se convierten en registros digitales confiables, los investigadores abordaron el desafío del modelado de riesgo colaborativo. En una configuración tradicional, los bancos tendrían que compartir sus datos privados para entrenar un modelo computacional que prediga qué préstamos son riesgosos. En este nuevo enfoque, los datos nunca salen del almacén. En su lugar, los investigadores utilizaron una técnica llamada aprendizaje federado en el borde (federated edge learning). Imagine a un grupo de estudiantes en diferentes aulas que están tratando de resolver el mismo problema matemático difícil. En lugar de enviar sus cuadernos a un profesor central para que los califique, cada estudiante trabaja en su propio problema, descubre la regla general y envía solo esa regla al profesor. El profesor combina todas las reglas para crear una guía maestra y la envía de vuelta. Los estudiantes luego usan esta guía mejorada para refinar su propio trabajo. En este sistema, cada almacén actúa como un aula, entrenando una versión local del modelo de riesgo con sus propios datos. Solo comparten las "reglas" que aprendieron —las actualizaciones matemáticas del modelo— en lugar de los datos brutos en sí.

Para hacer este proceso eficiente y confiable, los investigadores añadieron varias capas de inteligencia. Diseñaron un proceso de selección que elige qué almacenes participan en cada ronda de aprendizaje basándose en su confiabilidad y su energía restante, asegurando que solo nodos confiables y bien alimentados contribuyan. También introdujeron un mecanismo para evitar que los modelos locales se desvíen demasiado entre sí, un problema común cuando los diferentes almacenes tienen tipos de bienes muy distintos. Para proteger aún más la privacidad, los investigadores envolvieron las actualizaciones del modelo en dos capas de seguridad. Primero, añadieron una pequeña cantidad de ruido matemático a las actualizaciones, haciendo imposible la ingeniería inversa de los datos originales. Segundo, cifraron las actualizaciones para que pudieran combinarse mientras permanecen bloqueadas en un formato seguro. Solo una autoridad de confianza podría desbloquear el resultado combinado final. Esto asegura que incluso si alguien intercepta los datos que se envían entre los almacenes, no pueda ver los secretos comerciales subyacentes.

Finalmente, el sistema incluye una pista de auditoría integrada que satisface a los reguladores. Cada paso del proceso de aprendizaje se registra en la cadena de bloques, creando un historial transparente que muestra quién participó, qué reglas se siguieron y cuánta protección de privacidad se aplicó. Los contratos inteligentes (smart contracts), que son acuerdos de ejecución automática en la cadena de bloques, comprueban automáticamente si el proceso cumplió con todas las regulaciones. Si un almacén intenta desviarse del protocolo o si se exceden los límites de privacidad, el sistema puede detectarlo y alertar a las autoridades. Esto crea un ciclo cerrado donde la privacidad, la precisión y el cumplimiento se monitorean en tiempo real.

Los resultados del estudio muestran que este enfoque es altamente efectivo. En sus pruebas, el nuevo método alcanzó una tasa de precisión del 94.8% en la identificación de riesgos, lo cual fue significativamente mayor que los métodos estándar existentes. Incluso cuando los datos de los diferentes almacenes eran muy distintos entre sí —una condición que usualmente confunde a los modelos computacionales— el nuevo sistema se mantuvo robusto, manteniendo una alta precisión donde otros métodos fallaron. Los investigadores también encontraron que el sistema podía operar bajo condiciones de privacidad estrictas. Cuando aumentaron el nivel de protección de privacidad a su máximo, el sistema aún mantenía una precisión del 83.6%, mientras que otros métodos cayeron al 72.5%. Si bien las medidas de seguridad requirieron más tiempo de cómputo y energía, la compensación fue mínima en términos del resultado final. El estudio concluye que, al integrar sensores inalámbricos, aprendizaje seguro y verificación por cadena de bloques, es posible construir un sistema de financiamiento de la cadena de suministro que no solo sea más inteligente y preciso, sino que también respete la privacidad de cada participante y cumpla con las rigurosas demandas de los reguladores financieros.