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

Nel mondo della finanza moderna, le piccole e medie imprese spesso faticano a ottenere i prestiti necessari per crescere. Una soluzione comune è il finanziamento tramite pegno di ricevute di magazzino, in cui un'azienda utilizza le proprie scorte stoccate — come cereali, metalli o prodotti fabbricati — come garanzia per ottenere un prestito da una banca. Affinché questo sistema funzioni, la banca deve avere la certezza che le merci esistano effettivamente, che siano in buone condizioni e che non siano state scambiate o manomesse. Tradizionalmente, la verifica si affida a ispezioni manuali e inventari periodici, che sono lenti, soggetti a errori e lasciano lacune nella conoscenza. Inoltre, i dati che descrivono queste merci e i dettagli finanziari dei prestiti sono altamente sensibili. Le banche e i magazzini spesso trattano queste informazioni come segreti, creando sacche isolate di dati che non possono essere facilmente condivise per costruire un quadro migliore del rischio. Ciò crea un dilemma: come possono le banche collaborare per rilevare le frodi e gestire il rischio senza costringere le aziende a rivelare i loro segreti commerciali privati?

Per risolvere questo problema, ricercatori della Shandong University of Technology hanno sviluppato un nuovo sistema che combina sensori fisici, un metodo per l'addestramento dell'intelligenza artificiale senza condividere i dati grezzi e un registro digitale per la verifica. Si sono concentrati su uno scenario in cui più magazzini, ognuno dei quali detiene tipi diversi di merci per diverse aziende, devono lavorare insieme per individuare pegni rischiosi. Il team ha costruito un sistema che utilizza sensori wireless per monitorare le merci, un metodo di apprendimento intelligente che mantiene i dati locali e un modo sicuro per dimostrare che le regole sono state seguite senza esporre i segreti. Il loro lavoro dimostra che è possibile creare un modello di rischio altamente accurato che rispetti la privacy e soddisfi rigorosi audit normativi, il tutto operando con la limitata potenza di piccole reti di sensori.

I ricercatori hanno iniziato affrontando la realtà fisica delle merci impegnate. Hanno dotato i magazzini di una rete di piccoli sensori wireless che monitorano costantemente temperatura, umidità, peso e posizione degli articoli. Questi sensori agiscono come un occhio digitale continuo, catturando lo stato in tempo reale dell'inventario. Invece di inviare questi dati grezzi e sensibili a un server centrale dove potrebbero essere rubati o trapelati, il sistema elabora le informazioni localmente nel magazzino. Crea quindi una "ricevuta di magazzino digitale", un registro sicuro che collega le condizioni fisiche delle merci ai dettagli commerciali del prestito. Questa ricevuta è conservata su una blockchain, un tipo di registro digitale estremamente difficile da alterare, garantendo che il record di ciò che si trova nel magazzino corrisponda alla realtà fisica. Se i sensori rilevano un improvviso calo della temperatura o una variazione di peso che non corrisponde ai registri, il sistema segnala immediatamente un'anomalia, avvisando sia l'operatore del magazzino che la banca.

Una volta che i dati fisici sono stati messi in sicurezza e convertiti in record digitali affidabili, i ricercatori hanno affrontato la sfida della modellazione del rischio collaborativa. In una configurazione tradizionale, le banche dovrebbero condividere i propri dati privati per addestrare un modello informatico che preveda quali prestiti sono rischiosi. In questo nuovo approccio, i dati non lasciano mai il magazzino. Invece, i ricercatori hanno utilizzato una tecnica chiamata federated edge learning (apprendimento federato all'estremità). Immaginate un gruppo di studenti in diverse classi che stanno tutti cercando di risolvere lo stesso problema di matematica difficile. Invece di inviare i loro quaderni a un insegnante centrale per la valutazione, ogni studente lavora sul proprio problema, individua la regola generale che ha scoperto e invia solo quella regola all'insegnante. L'insegnante combina tutte le regole per creare una guida maestra e la rimanda indietro. Gli studenti utilizzano poi questa guida migliorata per perfezionare il proprio lavoro. In questo sistema, ogni magazzino funge da classe, addestrando una versione locale del modello di rischio sui propri dati. Condividono solo le "regole" che hanno imparato — gli aggiornamenti matematici del modello — piuttosto che i dati grezzi stessi.

Per rendere questo processo efficiente e affidabile, i ricercatori hanno aggiunto diversi livelli di intelligenza. Hanno progettato un processo di selezione che sceglie quali magazzini partecipano a ogni round di apprendimento in base alla loro affidabilità e alla batteria rimanente, garantendo che solo nodi affidabili e ben alimentati contribuiscano. Hanno anche introdotto un meccanismo per evitare che i modelli locali si discostino troppo l'uno dall'altro, un problema comune quando i diversi magazzini hanno tipi di merci molto differenti. Per proteggere ulteriormente la privacy, i ricercatori hanno avvolto gli aggiornamenti del modello in due strati di sicurezza. Primo, hanno aggiunto una piccola quantità di rumore matematico agli aggiornamenti, rendendo impossibile l'ingegneria inversa dei dati originali. Secondo, hanno crittografato gli aggiornamenti in modo che potessero essere combinati pur rimanendo bloccati in un formato sicuro. Solo un'autorità fidata potrebbe sbloccare il risultato finale combinato. Ciò assicura che, anche se qualcuno intercettasse i dati trasmessi tra i magazzini, non potrebbe vedere i segreti commerciali sottostanti.

Infine, il sistema include una traccia di audit integrata che soddisfa i regolatori. Ogni fase del processo di apprendimento viene registrata sulla blockchain, creando una cronologia trasparente che mostra chi ha partecipato, quali regole sono state seguite e quanta protezione della privacy è stata applicata. Gli smart contract, ovvero accordi auto-eseguibili sulla blockchain, controllano automaticamente se il processo è conforme a tutte le normative. Se un magazzino tenta di deviare dal protocollo o se i limiti di privacy vengono superati, il sistema può rilevarlo e avvisare le autorità. Questo crea un ciclo chiuso in cui privacy, accuratezza e conformità sono tutti monitorati in tempo reale.

I risultati dello studio mostrano che questo approccio è altamente efficace. Nei loro test, il nuovo metodo ha raggiunto un tasso di accuratezza del 94,8% nell'identificazione dei rischi, un valore significativamente superiore ai metodi standard esistenti. Anche quando i dati provenienti dai diversi magazzini erano molto differenti tra loro — una condizione che solitamente confonde i modelli informatici — il nuovo sistema è rimasto robusto, mantenendo un'alta accuratezza laddove altri metodi fallivano. I ricercatori hanno anche scoperto che il sistema può operare sotto rigorose condizioni di privacy. Quando hanno aumentato il livello di protezione della privacy al massimo, il sistema manteneva comunque un'accuratezza dell'83,6%, mentre altri metodi scendevano al 72,5%. Sebbene le misure di sicurezza richiedessero più tempo di calcolo ed energia, il compromesso in termini di risultato finale era minimo. Lo studio conclude che, integrando sensori wireless, apprendimento sicuro e verifica tramite blockchain, è possibile costruire un sistema di finanza della catena di approvvigionamento che sia non solo più intelligente e accurato, ma che rispetti anche la privacy di ogni partecipante e soddisfi le rigorose richieste dei regolatori finanziari.