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

No mundo das finanças modernas, pequenas e médias empresas frequentemente lutam para obter os empréstimos de que precisam para crescer. Uma solução comum é o financiamento por penhor de recibo de armazém, onde uma empresa utiliza seu estoque armazenado — como grãos, metais ou produtos manufaturados — como garantia para assegurar um empréstimo de um banco. Para que este sistema funcione, o banco deve confiar que os bens realmente existem, que estão em boas condições e que não foram trocados ou adulterados. Tradicionalmente, a verificação disso depende de inspeções manuais e inventários periódicos, que são lentos, propensos a erros e deixam lacunas de conhecimento. Além disso, os dados que descrevem esses bens e os detalhes financeiros dos empréstimos são altamente sensíveis. Bancos e armazéns costumam tratar essas informações como segredos, criando bolsões isolados de dados que não podem ser facilmente compartilhados para construir um melhor panorama de risco. Isso cria um dilema: como os bancos podem colaborar para detectar fraudes e gerir riscos sem forçar as empresas a revelar seus segredos comerciais privados?

Para resolver isso, pesquisadores da Universidade Tecnológica de Shandong desenvolveram um novo sistema que combina sensores físicos, um método para treinar inteligência artificial sem compartilhar dados brutos e um livro de registro digital para verificação. Eles focaram em um cenário onde múltiplos armazéns, cada um detendo diferentes tipos de mercadorias para diferentes empresas, precisam trabalhar juntos para detectar penhores de risco. A equipe construiu um sistema que utiliza sensores sem fio para monitorar as mercadorias, um método de aprendizado inteligente que mantém os dados locais e uma forma segura de provar que as regras foram seguidas sem expor os segredos. O trabalho deles demonstra que é possível criar um modelo de risco altamente preciso que respeite a privacidade e satisfaça auditorias regulatórias rigorosas, tudo isso operando com a energia limitada de pequenas redes de sensores.

Os pesquisadores começaram abordando a realidade física dos bens empenhados. Eles equiparam os armazéns com uma rede de pequenos sensores sem fio que monitoram constantemente a temperatura, a umidade, o peso e a localização dos itens. Esses sensores atuam como um olho digital contínuo, capturando o estado em tempo real do inventário. Em vez de enviar esses dados brutos e sensíveis para um servidor central onde poderiam ser roubados ou vazados, o sistema processa a informação localmente no armazém. Ele então cria um "recibo de armazém digital", um registro seguro que vincula a condição física dos bens aos detalhes comerciais do empréstimo. Este recibo é armazenado em um blockchain, um tipo de livro de registro digital que é extremamente difícil de alterar, garantindo que o registro do que está no armazém corresponda à realidade física. Se os sensores detectarem uma queda repentina na temperatura ou uma mudança no peso que não corresponda aos registros, o sistema imediatamente sinaliza uma anomalia, alertando tanto o operador do armazém quanto o banco.

Uma vez que os dados físicos são protegidos e convertidos em registros digitais confiáveis, os pesquisadores enfrentaram o desafio da modelagem de risco colaborativa. Em uma configuração tradicional, os bancos teriam que compartilhar seus dados privados para treinar um modelo computacional que prevê quais empréstimos são arriscados. Nesta nova abordagem, os dados nunca saem do armazém. Em vez disso, os pesquisadores utilizaram uma técnica chamada aprendizado de borda federado (federated edge learning). Imagine um grupo de estudantes em diferentes salas de aula que estão todos tentando resolver o mesmo problema matemático difícil. Em vez de enviarem seus cadernos para um professor central para serem corrigidos, cada aluno trabalha em seu próprio problema, descobre a regra geral que descobriu e envia apenas essa regra para o professor. O professor combina todas as regras para criar um guia mestre e o envia de volta. Os alunos então usam esse guia aprimorado para refinar seu próprio trabalho. Neste sistema, cada armazém atua como uma sala de aula, treinando uma versão local do modelo de risco em seus próprios dados. Eles compartilham apenas as "regras" que aprenderam — as atualizações matemáticas do modelo — em vez dos dados brutos propriamente ditos.

Para tornar este processo eficiente e confiável, os pesquisadores adicionaram várias camadas de inteligência. Eles projetaram um processo de seleção que escolhe quais armazéns participam de cada rodada de aprendizado com base em sua confiabilidade e em sua bateria restante, garantindo que apenas nós confiáveis e bem alimentados contribuam. Eles também introduziram um mecanismo para evitar que os modelos locais se afastem demais uns dos outros, um problema comum quando diferentes armazéns possuem tipos de mercadorias muito distintos. Para proteger ainda mais a privacidade, os pesquisadores envolveram as atualizações do modelo em duas camadas de segurança. Primeiro, adicionaram uma pequena quantidade de ruído matemático às atualizações, tornando impossível a engenharia reversa dos dados originais. Segundo, criptografaram as atualizações para que pudessem ser combinadas enquanto permanecem trancadas em um formato seguro. Apenas uma autoridade de confiança poderia desbloquear o resultado final combinado. Isso garante que, mesmo que alguém intercepte os dados sendo enviados entre os armazéns, não possa visualizar os segredos comerciais subjacentes.

Finalmente, o sistema inclui uma trilha de auditoria integrada que satisfaz os reguladores. Cada etapa do processo de aprendizado é registrada no blockchain, criando um histórico transparente que mostra quem participou, quais regras foram seguidas e quanta proteção de privacidade foi aplicada. Contratos inteligentes (smart contracts), que são acordos autoexecutáveis no blockchain, verificam automaticamente se o processo cumpriu todas as regulamentações. Se um armazém tentar desviar do protocolo ou se os limites de privacidade forem excedidos, o sistema pode detectar e alertar as autoridades. Isso cria um ciclo fechado onde a privacidade, a precisão e a conformidade são todas monitoradas em tempo real.

Os resultados do estudo mostram que esta abordagem é altamente eficaz. Em seus testes, o novo método alcançou uma taxa de precisão de 94,8% na identificação de riscos, o que foi significativamente superior aos métodos padrão existentes. Mesmo quando os dados de diferentes armazéns eram muito diferentes entre si — uma condição que normalmente confunde modelos computacionais — o novo sistema permaneceu robusto, mantendo alta precisão onde outros métodos falharam. Os pesquisadores também descobriram que o sistema poderia operar sob condições de privacidade estritas. Quando aumentaram o nível de proteção de privacidade ao máximo, o sistema ainda manteve uma precisão de 83,6%, enquanto outros métodos caíram para 72,5%. Embora as medidas de segurança tenham exigido mais tempo de computação e energia, a compensação foi mínima em termos do resultado final. O estudo conclui que, ao integrar sensores sem fio, aprendizado seguro e verificação por blockchain, é possível construir um sistema de financiamento de cadeia de suprimentos que não é apenas mais inteligente e preciso, mas também respeita a privacidade de cada participante e atende às rigorosas demandas dos reguladores financeiros.