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

Dans le monde de la finance moderne, les petites et moyennes entreprises ont souvent du mal à obtenir les prêts dont elles ont besoin pour croître. Une solution courante est le financement par gage sur récépissé d'entrepôt, où une entreprise utilise ses stocks entreposés — comme des céréales, des métaux ou des produits manufacturés — comme garantie pour obtenir un prêt auprès d'une banque. Pour que ce système fonctionne, la banque doit avoir la certitude que les marchandises existent réellement, qu'elles sont en bon état et qu'elles n'ont pas été échangées ou altérées. Traditionnellement, la vérification repose sur des inspections manuelles et des inventaires périodiques, qui sont lents, sujets aux erreurs et laissent des lacunes dans la connaissance. De plus, les données décrivant ces marchandises et les détails financiers des prêts sont hautement sensibles. Les banques et les entrepôts traitent souvent ces informations comme des secrets, créant des îlots de données isolés qui ne peuvent pas être facilement partagés pour construire une meilleure image du risque. Cela crée un dilemme : comment les banques peuvent-elles collaborer pour détecter la fraude et gérer le risque sans forcer les entreprises à révéler leurs secrets commerciaux privés ?

Pour résoudre cela, des chercheurs de l'Université technologique de Shandong ont développé un nouveau système qui combine des capteurs physiques, une méthode d'entraînement de l'intelligence artificielle sans partage de données brutes, et un registre numérique pour la vérification. Ils se sont concentrés sur un scénario où plusieurs entrepôts, chacun détenant différents types de marchandises pour différentes entreprises, doivent travailler ensemble pour détecter les gages risqués. L'équipe a construit un système qui utilise des capteurs sans fil pour surveiller les marchandises, une méthode d'apprentissage intelligent qui maintient les données locales, et un moyen sécurisé de prouver que les règles ont été suivies sans exposer les secrets. Leur travail démontre qu'il est possible de créer un modèle de risque hautement précis qui respecte la vie privée et satisfait aux audits réglementaires stricts, tout en opérant sur la puissance limitée de petits réseaux de capteurs.

Les chercheurs ont commencé par s'attaquer à la réalité physique des marchandises gagées. Ils ont équipé les entrepôts d'un réseau de petits capteurs sans fil qui surveillent constamment la température, l'humidité, le poids et l'emplacement des articles. Ces capteurs agissent comme un œil numérique continu, capturant l'état en temps réel de l'inventaire. Au lieu d'envoyer ces données brutes et sensibles vers un serveur central où elles pourraient être volées ou divulguées, le système traite l'information localement à l'entrepôt. Il crée ensuite un « récépissé d'entrepôt numérique », un enregistrement sécurisé qui lie l'état physique des marchandises aux détails commerciaux du prêt. Ce récépissé est stocké sur une blockchain, un type de registre numérique extrêmement difficile à altérer, garantissant que l'enregistrement de ce qui se trouve dans l'entrepôt correspond à la réalité physique. Si les capteurs détectent une chute soudaine de température ou un changement de poids qui ne correspond pas aux registres, le système signale immédiatement une anomalie, alertant à la fois l'opérateur de l'entrepôt et la banque.

Une fois les données physiques sécurisées et converties en enregistrements numériques fiables, les chercheurs ont abordé le défi de la modélisation collaborative des risques. Dans une configuration traditionnelle, les banques devraient partager leurs données privées pour entraîner un modèle informatique qui prédit quels prêts sont risqués. Dans cette nouvelle approche, la donnée ne quitte jamais l'entrepôt. Au lieu de cela, les chercheurs ont utilisé une technique appelée apprentissage fédéré à la périphérie (federated edge learning). Imaginez un groupe d'étudiants dans différentes salles de classe qui essaient tous de résoudre le même problème de mathématiques difficile. Au lieu d'envoyer leurs cahiers à un professeur central pour correction, chaque étudiant travaille sur son propre problème, découvre la règle générale, et n'envoie que cette règle au professeur. Le professeur combine toutes les règles pour créer un guide maître et le renvoie. Les étudiants utilisent ensuite ce guide amélioré pour affiner leur propre travail. Dans ce système, chaque entrepot agit comme une salle de classe, entraînant une version locale du modèle de risque sur ses propres données. Ils ne partagent que les « règles » qu'ils ont apprises — les mises à jour mathématiques du modèle — plutôt que les données brutes elles-mêmes.

Pour rendre ce processus efficace et fiable, les chercheurs ont ajouté plusieurs couches d'intelligence. Ils ont conçu un processus de sélection qui choisit les entrepôts participant à chaque cycle d'apprentissage en fonction de leur fiabilité et de leur batterie restante, garantissant que seuls des nœuds fiables et bien alimentés contribuent. Ils ont également introduit un mécanisme pour empêcher les modèles locaux de trop s'éloigner les uns des autres, un problème courant lorsque les entrepôts possèdent des types de marchandises très différents. Pour protéger davantage la vie privée, les chercheurs ont enveloppé les mises à jour du modèle dans deux couches de sécurité. Premièrement, ils ont ajouté une petite quantité de bruit mathématique aux mises à jour, rendant impossible l'ingénierie inverse des données originales. Deuxièmement, ils ont crypté les mises à jour afin qu'elles puissent être combinées tout en restant verrouillées dans un format sécurisé. Seule une autorité de confiance pourrait déverrouiller le résultat combiné final. Cela garantit que même si quelqu'un intercepte les données envoyées entre les entrepôts, il ne peut pas voir les secrets commerciaux sous-jacents.

Enfin, le système comprend une piste d'audit intégrée qui satisfait les régulateurs. Chaque étape du processus d'apprentissage est enregistrée sur la blockchain, créant un historique transparent qui montre qui a participé, quelles règles ont été suivies et quel niveau de protection de la vie privée a été appliqué. Des contrats intelligents (smart contracts), qui sont des accords auto-exécutables sur la blockchain, vérifient automatiquement si le processus est conforme à toutes les réglementations. Si un entrepôt tente de dévier du protocole ou si les limites de confidentialité sont dépassées, le système peut le détecter et alerter les autorités. Cela crée une boucle fermée où la confidentialité, la précision et la conformité sont toutes surveillées en temps réel.

Les résultats de l'étude montrent que cette approche est hautement efficace. Lors de leurs tests, la nouvelle méthode a atteint un taux de précision de 94,8 % dans l'identification des risques, ce qui est nettement supérieur aux méthodes standards existantes. Même lorsque les données provenant de différents entrepôts étaient très disparates — une condition qui confond habituellement les modèles informatiques — le nouveau système est resté robuste, maintenant une précision élevée là où les autres méthodes échouaient. Les chercheurs ont également constaté que le système pouvait fonctionner sous des conditions de confidentialité strictes. Lorsque nous avons augmenté le niveau de protection de la vie privée à son maximum, le système maintenait toujours une précision de 83,6 %, alors que les autres méthodes tombaient à 72,5 %. Bien que les mesures de sécurité aient nécessité plus de temps de calcul et d'énergie, le compromis était minime en termes de résultat final. L'étude conclut qu'en intégrant des capteurs sans fil, un apprentissage sécurisé et une vérification par blockchain, il est possible de construire un système de financement de la chaîne d'approvisionnement qui soit non seulement plus intelligent et plus précis, mais qui respecte également la vie privée de chaque participant et répond aux exigences rigoureuses des régulateurs financiers.