TANGO: ABI Lab guida la sfida europea alle frodi puntando su Federated learning e IA responsabile
-
4 Luglio 2025
Nel progetto europeo dedicato a tecnologie digitali sicure e sostenibili, ABI Lab svolge un ruolo chiave nel pilota bancario innovativo che sperimenta il Federated Learning per migliorare la rilevazione delle frodi senza compromettere la privacy dei dati. Un modello collaborativo di IA che rafforza l'efficienza del sistema finanziario e promuove un ecosistema più affidabile. Marco Rotoloni, co-responsabile ricerca di ABI Lab, racconta come la collaborazione tra banche, tecnologia e governance possa diventare un motore di innovazione concreta
Si chiama
TANGO ed è un progetto europeo ambizioso che unisce innovazione tecnologica e tutela dei dati in un'unica piattaforma intersettoriale. L'obiettivo? Costruire un'architettura di condivisione dei dati sicura, sostenibile e conforme ai valori europei. Attraverso l'impiego di tecnologie emergenti come blockchain, intelligenza artificiale e strumenti per la protezione della privacy, TANGO svilupperà un ecosistema di condivisione dati distribuito e affidabile.
Tra i sei ambiti di sperimentazione - dalla smart hospitality ai trasporti autonomi - spicca il pilota bancario coordinato da ABI Lab, dedicato al rilevamento delle frodi. Il cuore tecnologico è il Federated Learning, una modalità di apprendimento automatico distribuito che consente di sviluppare modelli di IA senza condividere dati sensibili. Una rivoluzione silenziosa ma concreta nel modo in cui le banche possono collaborare nel campo della sicurezza, mantenendo la sovranità sui propri dati. Ce ne parla Marco Rotoloni, co-responsabile ricerca ABI Lab.
Qual è il ruolo del pilota bancario nel progetto TANGO e come si collega all'AI Hub di ABI Lab?
Il pilota bancario ha un ruolo strategico nel dimostrare come l'intelligenza artificiale possa essere adottata in modo collaborativo e responsabile nel settore finanziario. Il focus è sull'uso del Federated Learning, che consente alle banche di addestrare i modelli di Intelligenza Artificiale con un approccio collaborativo tra più banche, ma senza far uscire i dati dai rispettivi perimetri. Questo approccio garantisce alti livelli di privacy, sicurezza e compliance. Il progetto si integra pienamente con le attività dell'AI Hub di ABI Lab, che promuove da anni un modello di innovazione aperta e cooperativa tra banche, centri di ricerca e partner tecnologici. Il pilota contribuisce così alla costruzione di un ecosistema di IA affidabile e sostenibile per il settore bancario.
Il Federated Learning come tutela la privacy dei dati bancari?
La forza del Federated Learning implementato nel pilota bancario sta nel principio della decentralizzazione: le banche condividono i parametri dei modelli addestrati localmente e non i dati grezzi. Questo consente di costruire modelli di IA potenti e aggiornati, sfruttando grandi volumi di dati collettivi, senza mai compromettere la riservatezza e la sicurezza. È un approccio particolarmente adatto al contesto bancario, dove la protezione dei dati è cruciale e regolata da normative stringenti.
Quali tecnologie e infrastrutture avete adottato per supportare la collaborazione tra banche?
La collaborazione è facilitata proprio dall'architettura del Federated Learning, che riduce al minimo la necessità di condivisione diretta dei dati. Abbiamo utilizzato container per la portabilità del software, librerie standard per sviluppare i modelli e un'infrastruttura semplice e condivisa per gestire facilmente la sperimentazione. Tutto è pensato per accelerare l'adozione e garantire interoperabilità rispettando le politiche di sicurezza e privacy delle banche coinvolte.
Come affrontate le sfide legate all'interoperabilità e alla standardizzazione dei dati tra banche diverse?
Abbiamo lavorato su diversi aspetti per rendere più efficace e sicura l'analisi delle transazioni bancarie, in particolare per individuare possibili frodi. Per prima cosa, abbiamo definito una base informativa comune, utile per affrontare diverse casistiche legate al Transaction Monitoring. Abbiamo poi costruito un insieme di dati relativi alle transazioni, classificate come fraudolente o non fraudolente, così da poter addestrare i modelli di analisi. Per evitare che i risultati fossero sbilanciati, abbiamo applicato una tecnica cosiddetta di undersampling, ossia ridotto il numero dei casi che appartengono alla classe maggioritaria, così da migliorare la qualità dell'apprendimento. Infine, abbiamo sviluppato un sistema automatico per preparare i dati in modo coerente e uniforme tra le banche coinvolte. È utile inoltre evidenziare che abbiamo scelto modelli standard - come le reti neurali sviluppate con strumenti ampiamente diffusi come Keras - per garantire coerenza e facilità di adozione.
Ci sono già risultati tangibili?
È ancora presto per le conclusioni definitive, ma i primi risultati sono incoraggianti: stiamo riscontrando un aumento del 10% nella capacità di rilevare frodi rispetto agli attuali sistemi antifrode. Un segnale chiaro del potenziale che questa tecnologia può esprimere nel settore bancario. Si prevede che benefici possano aumentare molto al crescere del numero delle banche partecipanti alla rete di Federated Learning.