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

आधुनिक वित्त की दुनिया में, लघु और मध्यम आकार के व्यवसाय अक्सर विकास के लिए आवश्यक ऋण प्राप्त करने के लिए संघर्ष करते हैं। एक सामान्य समाधान वेयरहाउस रसीद गिरवी वित्तपोषण (warehouse receipt pledge financing) है, जहाँ एक कंपनी अपने संग्रहीत इन्वेंट्री—जैसे अनाज, धातु या निर्मित माल—का उपयोग बैंक से ऋण सुरक्षित करने के लिए संपार्श्विक (collateral) के रूप में करती है। इस प्रणाली के काम करने के लिए, बैंक को इस बात पर भरोसा होना चाहिए कि माल वास्तव में मौजूद है, वह अच्छी स्थिति में है, और उसे बदला या छेड़छाड़ नहीं गया है। पारंपरिक रूप से, इसकी पुष्टि करने के लिए मैनुअल निरीक्षण और आवधिक इन्वेंट्री पर निर्भर रहना पड़ता है, जो धीमी, त्रुटिपूर्ण और ज्ञान की कमी वाली प्रक्रिया है। इसके अलावा, इन वस्तुओं का वर्णन करने वाला डेटा और ऋण का वित्तीय विवरण अत्यधिक संवेदनशील होता है। बैंक और गोदाम इस जानकारी को एक रहस्य मानते हैं, जिससे डेटा के अलग-अलग द्वीप बन जाते हैं जिन्हें जोखिम का बेहतर चित्र बनाने के लिए आसानी से साझा नहीं किया जा सकता। यह एक दुविधा पैदा करता है: बैंक जोखिम का पता लगाने और प्रबंधन करने के लिए कैसे सहयोग कर सकते हैं, बिना कंपनियों के निजी व्यावसायिक रहस्यों को उजागर किए?

इसे हल करने के लिए, शेडोंग यूनिवर्सिटी ऑफ टेक्नोलॉजी के शोधकर्ताओं ने एक नई प्रणाली विकसित की है जो भौतिक सेंसर, कच्चे डेटा को साझा किए बिना आर्टिफिशियल इंटेलिजेंस को प्रशिक्षित करने की विधि और सत्यापन के लिए एक डिजिटल लेजर को जोड़ती है। उन्होंने एक ऐसे परिदृश्य पर ध्यान केंद्रित किया जहाँ कई गोदामों को, जिनमें से प्रत्येक में विभिन्न कंपनियों के लिए अलग-अलग प्रकार का माल रखा है, जोखिम भरे गिरवी रखे जाने का पता लगाने के लिए मिलकर काम करने की आवश्यकता है। टीम ने एक ऐसी प्रणाली बनाई है जो माल की निगरानी के लिए वायरलेस सेंसर का उपयोग करती है, एक स्मार्ट लर्निंग पद्धति जो डेटा को स्थानीय रखती है, और एक सुरक्षित तरीका जो गोपनीयता को उजागर किए बिना नियमों के पालन को सिद्ध करता है। उनका कार्य यह प्रदर्शित करता है कि एक अत्यधिक सटीक जोखिम मॉडल बनाना संभव है जो गोपनीयता का सम्मान करता है और सख्त नियामक ऑडिट को संतुष्ट करता है, और यह सब छोटे सेंसर नेटवर्क की सीमित शक्ति पर भी काम करता है।

शोधकर्ताओं ने भौतिक वास्तविकता को संबोधित करने से शुरुआत की। उन्होंने गोदामों को छोटे, वायरलेस सेंसर के नेटवर्क से सुसज्जित किया जो तापमान, आर्द्रता, वजन और वस्तुओं के स्थान की निरंतर निगरानी करते हैं। ये सेंसर एक निरंतर डिजिटल आँख की तरह कार्य करते हैं, जो इन्वेंट्री की वास्तविक समय की स्थिति को कैप्चर करते हैं। इस कच्चे, संवेदनशील डेटा को एक केंद्रीय सर्वर पर भेजने के बजाय जहाँ इसे चुराया या लीक किया जा सकता है, सिस्टम इस जानकारी को गोदाम में ही स्थानीय स्तर पर प्रोसेस करता है। फिर यह एक "डिजिटल वेयरहाउस रसीद" बनाता है, जो एक सुरक्षित रिकॉर्ड है जो माल की भौतिक स्थिति को ऋण के व्यावसायिक विवरण से जोड़ता है। यह रसीद एक ब्लॉकचेन पर संग्रहीत की जाती है, जो एक प्रकार का डिजिटल लेजर है जिसे बदलना अत्यंत कठिन है, जिससे यह सुनिश्चित होता है कि गोदाम में क्या है उसका रिकॉर्ड भौतिक वास्तविकता से मेल खाता है। यदि सेंसर तापमान में अचानक गिरावट या वजन में ऐसा परिवर्तन देखते हैं जो रिकॉर्ड से मेल नहीं खाता, तो सिस्टम तुरंत विसंगति (anomaly) को चिह्नित करता है, जिससे गोदाम ऑपरेटर और बैंक दोनों को अलर्ट मिलता है।

एक बार भौतिक डेटा सुरक्षित हो जाने और विश्वसनीय डिजिटल रिकॉर्ड में परिवर्तित हो जाने के बाद, शोधकर्ताओं ने सहयोगात्मक जोखिम मॉडलिंग की चुनौती का समाधान किया। एक पारंपरिक सेटअप में, बैंकों को एक कंप्यूटर मॉडल को प्रशिक्षित करने के लिए अपने निजी डेटा को साझा करना पड़ता है जो यह भविष्यवाणी करता है कि कौन से ऋण जोखिम भरे हैं। इस नए दृष्टिकोण में, डेटा कभी भी गोदाम से बाहर नहीं जाता है। इसके बजाय, शोधकर्ताओं ने 'फेडरेटेड एज लर्निंग' नामक तकनीक का उपयोग किया। कल्पना कीजिए कि अलग-अलग कक्षाओं में छात्रों का एक समूह है जो सभी एक ही कठिन गणित की समस्या को हल करने की कोशिश कर रहे हैं। अपने नोटबुक को ग्रेडिंग के लिए एक केंद्रीय शिक्षक को भेजने के बजाय, प्रत्येक छात्र अपनी समस्या पर काम करता है, उस सामान्य नियम को समझता है जिसे उसने खोजा है, और केवल उस नियम को भेजता है। शिक्षक सभी नियमों को मिलाकर एक मास्टर गाइड बनाता है और उसे वापस भेज देता है। छात्र फिर अपने काम को बेहतर बनाने के लिए उस उन्नत गाइड का उपयोग करते हैं। इस प्रणाली में, प्रत्येक गोदाम एक क्लासरूम की तरह कार्य करता है, जो अपने स्वयं के डेटा पर जोखिम मॉडल के स्थानीय संस्करण को प्रशिक्षित करता है। वे केवल "नियम" साझा करते हैं जो उन्होंने सीखे हैं—मॉडल के गणितीय अपडेट—न कि स्वयं कच्चा डेटा।

इस प्रक्रिया को कुशल और विश्वसनीय बनाने के लिए, शोधकर्ताओं ने इसमें कई स्तर की बुद्धिमत्ता जोड़ी। उन्होंने एक चयन प्रक्रिया डिजाइन की जो प्रत्येक लर्निंग राउंड में भाग लेने वाले गोदामों को उनकी विश्वसनीयता और शेष बैटरी पावर के आधार पर चुनती है, यह सुनिश्चित करती है कि केवल विश्वसनीय, पर्याप्त शक्ति वाले नोड्स ही योगदान दें। उन्होंने एक तंत्र भी पेश किया ताकि स्थानीय मॉडल बहुत अधिक अलग न हो जाएं, जो एक आम समस्या है जब विभिन्न गोदामों में बहुत अलग प्रकार का माल होता है। गोपनीयता की रक्षा को और बढ़ाने के लिए, शोधकर्ताओं ने मॉडल अपडेट को सुरक्षा की दो परतों में लपेटा। पहले, उन्होंने अपडेट में थोड़ी मात्रा में गणितीय शोर (noise) जोड़ा, जिससे मूल डेटा को रिवर्स-इंजीनियर करना असंभव हो गया। दूसरा, उन्होंने अपडेट को एन्क्रिप्ट किया ताकि उन्हें एक सुरक्षित प्रारूप में लॉक रहते हुए भी संयोजित किया जा सके। केवल एक विश्वसनीय प्राधिकरण ही अंतिम संयुक्त परिणाम को अनलॉक कर सकता था। यह सुनिश्चित करता है कि यदि कोई बीच में भेजे जा रहे डेटा को इंटरसेप्ट भी कर लेता है, तो भी वह अंतर्निहित व्यावसायिक रहस्यों को नहीं देख सकता।

अंत में, सिस्टम में एक अंतर्निहित ऑडिट ट्रेल शामिल है जो नियामकों की आवश्यकताओं को पूरा करता है। लर्निंग प्रक्रिया के हर चरण को ब्लॉकचेन पर रिकॉर्ड किया जाता है, जो एक पारदर्शी इतिहास बनाता है जो दिखाता है कि किसने भाग लिया, किन नियमों का पालन किया गया, और कितनी गोपनीयता सुरक्षा लागू की गई। स्मार्ट कॉन्ट्रैक्ट्स, जो ब्लॉकचेन पर स्व-निष्पादित समझौते हैं, स्वचालित रूप से जांच करते हैं कि क्या प्रक्रिया सभी नियमों का पालन करती है। यदि कोई गोदाम प्रोटोकॉल से भटकने का प्रयास करता है या यदि गोपनीयता सीमा का उल्लंघन होता है, तो सिस्टम इसे पहचान सकता है और अधिकारियों को अलर्ट कर सकता है। यह एक बंद लूप (closed loop) बनाता है जहाँ गोपनीयता, सटीकता और अनुपालन की वास्तविक समय में निगरानी की जाती है।

अध्ययन के परिणाम दर्शाते हैं कि यह दृष्टिकोण अत्यधिक प्रभावी है। अपने परीक्षणों में, नई पद्धति ने जोखिमों की पहचान करने में 94.8% की सटीकता दर हासिल की, जो मौजूदा मानक तरीकों की तुलना में काफी अधिक थी। यहाँ तक कि जब विभिन्न गोद मामलों से डेटा बहुत भिन्न था—एक ऐसी स्थिति जो आमतौर पर कंप्यूटर मॉडल को भ्रमित कर देती है—नया सिस्टम मजबूत रहा, और वहां उच्च सटीकता बनाए रखी जहां अन्य तरीके विफल रहे। शोधकर्ताओं ने यह भी पाया कि सिस्टम सख्त गोपनीयता शर्तों के तहत काम कर सकता है। जब उन्होंने गोपनीयता सुरक्षा के स्तर को उसके अधिकतम तक बढ़ाया, तब भी सिस्टम ने 83.6% की सटीकता बनाए रखी, जबकि अन्य तरीकों का स्तर गिरकर 72.5% हो गया। हालांकि सुरक्षा उपायों के लिए अधिक कंप्यूटिंग समय और ऊर्जा की आवश्यकता थी, लेकिन अंतिम परिणाम के संदर्भ में यह समझौता न्यूनतम था। अध्ययन निष्कर्ष निकालता है कि वायरलेस सेंसर, सुरक्षित लर्निंग और ब्लॉकचेन सत्यापन को एकीकृत करके, एक ऐसा आपूर्ति श्रृंखला वित्त (supply chain finance) सिस्टम बनाया जा सकता है जो न केवल स्मार्ट और अधिक सटीक है, बल्कि प्रत्येक प्रतिभागी की गोपनीयता का सम्मान भी करता है और वित्तीय नियामकों की कठोर मांगों को भी पूरा करता है।