<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[oneFactor (Russia) - Medium]]></title>
        <description><![CDATA[oneFactor — разработчик платформы для умной монетизации данных, которая позволяет телеком-операторам и другим владельцам данных запускать AI сервисы для других секторов экономики. oneFactor — первая российская компания, которая выбрана Gartner Cool Vendor для операторов связи. - Medium]]></description>
        <link>https://medium.com/onefactor-russia?source=rss----d7f0bc428046---4</link>
        <image>
            <url>https://cdn-images-1.medium.com/proxy/1*TGH72Nnw24QL3iV9IOm4VA.png</url>
            <title>oneFactor (Russia) - Medium</title>
            <link>https://medium.com/onefactor-russia?source=rss----d7f0bc428046---4</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Fri, 20 Nov 2026 08:06:33 GMT</lastBuildDate>
        <atom:link href="https://medium.com/feed/onefactor-russia" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Конфиденциальные вычисления, опыт OneFactor]]></title>
            <link>https://medium.com/onefactor-russia/%D0%BA%D0%BE%D0%BD%D1%84%D0%B8%D0%B4%D0%B5%D0%BD%D1%86%D0%B8%D0%B0%D0%BB%D1%8C%D0%BD%D1%8B%D0%B5-%D0%B2%D1%8B%D1%87%D0%B8%D1%81%D0%BB%D0%B5%D0%BD%D0%B8%D1%8F-%D0%BE%D0%BF%D1%8B%D1%82-onefactor-75f105acc0d2?source=rss----d7f0bc428046---4</link>
            <guid isPermaLink="false">https://medium.com/p/75f105acc0d2</guid>
            <category><![CDATA[big-data]]></category>
            <category><![CDATA[machine-learning]]></category>
            <dc:creator><![CDATA[1F team]]></dc:creator>
            <pubDate>Mon, 02 May 2022 06:35:18 GMT</pubDate>
            <atom:updated>2022-05-02T06:35:18.492Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>Виктор Стрелков</strong>, директор по разработке OneFactor, выступил 14 апреля в панельной дискуссии «Конфиденциальные вычисления» в рамках конференции Data Fusion. Он рассказал про программно-аппаратную среду, где применяется технология Trusted Execution Environment на примере Intel SGX. Содержание выступления:</p><p>Как, мы использовали технологию Intel SGX для задач машинного обучения? Чтобы перейти к раскрытию тезиса, начнем с двух вещей:</p><ul><li>что такое SGX;</li><li>зачем использовать SGX, когда у нас есть много различных платформ, которые можно использовать для машинного обучения без данной технологии.</li></ul><p>Все, о чем я рассказываю про технологии SGX обернуто в конкретный сервис oneFactor. Есть коммерчески успешные кейсы его использования. Порог входа в сервис и технологии низкий — это SAAS. Это существующая реальность, которая приносит прибыль.</p><p><strong>Начнем с того, что такое Intel SGX</strong></p><p>Intel SGX — это технология, которая позволяет создавать в памяти сервера так называемые анклавы. Это области памяти, защищенные от несанкционированного доступа любого процесса, в том числе процессов с повышенной привилегией. Это одна из ключевых особенностей этой технологии, которую мы будем впоследствии использовать.</p><p><strong>Как работает эта технология</strong></p><p>Первое: создается приложение, которое содержит трастед (trusted) и антрастед (untrusted) части — защищенную и незащищенную. Анклав, к слову, это трастед — защищенная часть. Все, что происходит в незащищенной часть является обычным приложением.</p><p>Второе — запускается его антрастед часть, которая является интерфейсом трастед части. Вызовы из антрастед в трастед часть происходят по специальному протоколу E-call^. Вторым пунктом исполнения создается анклав. Третье — происходит вызов из трастед функций. Четвертое — все трастед функции происходят в защищенном ядре, которое работает с секретами, с чем угодно. Возвращается результат в антрастед часть и дальше происходит обычное исполнение.</p><p><strong>Часть вторая. Зачем вообще использовать SGX для машинного обучения?</strong></p><p>В компании OneFactor разработана своя платформа машинного обучения, мы обучаем скоринговые и другие модели. На этой платформе, кроме обучения, есть исполнение, которое предоставляет результат этих скоринговых моделей по REST API клиенту, который их потребляет. Естественно, непрерывно у нас происходит постоянный R&amp;D — как можно улучшить качество скоринговой модели, потому что качество скоринга — это непрерывная перекладка в эффективность бизнеса потребителей скоринговых моделей банков. Выше качество — лучше бизнесу.</p><p>В рамках процесса постоянного улучшения мы запустили очередной цикл исследования с партнером, предоставляющим свои данные для обучения. Модели до этого были на одном классе данных, на классе данных телеком. Затем наши аналитики совместно с другими сделали R&amp;D, которые добавили в данные телекома данные другой доменной области.</p><p>Это R&amp;D проводилось в физически защищенной переговорной комнате, с запаянными ноутбуками, заклеенными окнами, с доступом по пропускам — с сильными мерами безопасности. В этой переговорке аналитиками был получен результат — добавление этих новых данных улучшает качество модели до 15%.</p><p>Соответственно, мимо такого грандиозного увеличения мы пройти не могли и дальше стали думать как использовать полученные результаты. Одно дело в эксперименте получили, круто, а дальше что? Скоры, сервис расчета, SLA в переговорной не сделаешь.</p><p><strong>Собрали три параметра платформы машинного обучения, которая могла бы работать с такими данными.</strong></p><p>Эти тезисы заключались в том, что необходимо обеспечить конфиденциальность данных этого поставщика, с которым мы сделали R&amp;D, в трех направлениях:</p><ol><li>От одного поставщика к другому. То есть от нас, мы в данном случае поставщики телеком данных, и, условно, у нас есть поставщик других данных. Два поставщика друг у друга данные видеть, очевидно, не должны.</li><li>Второе — защитить от аналитика, дата сайентиста, который обучает эту модель.</li><li>Третье — от администратора платформы. В данном случае от нас, OneFactor, как от разработчика.</li></ol><p>В итоге, проведя технологический R&amp;D вслед за аналитическим, мы построили proof of concept, который успешно прошел аудит безопасности, в том числе у партнера поставщика данных. В итоге на базе этого POC с SGX и возникла новое поколение платформы — платформа конфиденциальных вычислений.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*AfjMzQQhCcKAsuEEI4sFew.png" /></figure><p>Это суть работающей платформы. Мы выделили конфиденциальное ядро обучения, приложение на С++, оно позволяет, используя SGX обучать модели в себе, и исполнять модель обучения.</p><p>Что это такое я уже сказал, это С++ приложение, развернутое на серверах Intel, поддерживающих SGX. При этом, поскольку это ядро соответствует всем предыдущим трем тезисам, может быть развернуто в любом месте, в любом контуре. Может быть в нашем контуре, может быть в контуре поставщика данных, контуре третьего лица, которое сидит и предоставляет инфраструктуру, может быть в облаке. Позволяет развернуть и гарантировать конфиденциальность загруженных данных, развернутых в любом контуре.</p><p><strong>Как происходит взаимодействие с дата-поставщиками?</strong></p><p>Поставщик данных шифрует на стороне свой набор данных любым способом, в данном случае RSA, ассиметрично, и производит аттестацию анклавов. При аттестации анклава поставщик делает сравнение следующих характеристик анклава.</p><p>Есть так называемые подписи «мистер сайнер» и «мистер анклав». «Мистер анклав» — это, так скажем, хэш от сборки этого анклава. «Мистер сайнер» — это тот, кто его собрал и развернул, в данном случае OneFactor. Аттестация позволяет убедиться, что это именно тот анклав и именно от того поставщика.</p><p>Убедившись в этом, дата-провайдер загружает туда открытый ключ шифрования, которым он предварительно зашифровал свои данные. При этом ключ проходит напрямую в анклав, в трастед часть, нигде не дублируется, не остается и не складывается. После этого в этот сервер поставщик загружает свои зашифрованные признаки, которые он будет в трастед части обрабатывать.</p><p>То же самое делает N поставщиков. Работать это будет в случае, когда каждый из поставщиков аттестует анклав и загрузит туда свои зашифрованные признаки.</p><p>С клиентской стороны, разработанное нами приложение, реализует API, которое обрабатывается нашим доработанным Jupyter-ядром, и предоставляет в итоге аналитику понятные интерфейсы Jupyter-ядра для обучения. Да, они немножко обрезаны, потому что конфиденциальность все-таки накладывает отпечаток, но тем не менее достаточны для решения задачи обучения эффективной модели. Обучение проходит в ядре, там же проходит публикация этой модели.</p><p><strong>Что такое публикация?</strong></p><p>Обучение — это одно дело, все хорошо. Модель обучения мы могли бы получить в той же переговорной, вынести какой-то LightGBM, но ее нужно, соответственно, запустить. Поэтому рядом с ядром обучения поднимается ровно такое же ядро исполнения, только с сильно меньшим размером доступной памяти. Происходит такой же процесс аттестации только для нового ядра.</p><p>Публикация модели физически загружается в трастед исполняющего ядра. И после этого, здесь API-шный интерфейс, они становятся доступными к запросу клиента. Все те преимущества нашей платформы, которые были: обучил, задеплоил, можешь пользоваться, они здесь, в этой части, тоже поддерживаются.</p><p>Вот как выглядит приложение анклава, это плюсовое (С++) приложениеантрастед часть которогореализует только API взаимодействия с трастед частью. И трастед, в которой реализованы две вещи: бустинг фреймворк и аналитические утилиты. То есть все те вещи, которые работают непосредственно с открытыми данными.</p><p>В данном случае сейчас бустинг фреймворк — это Light GBM. Только это пропатченный Light GBM нами, собственно пропатчен под все те вызовы, которые доступны внутри антрастед, они там некоторым образом урезаны. И набор аналитических инструментов, которые мы постоянно расширяем. Они позволяют проводить аналитику признаков перед тем, как обучать на них. Инструментарий статистики постоянно расширяется.</p><p><strong>Что дальше?</strong></p><p>В процессе нашего перехода из POC в продуктивную реализацию мы поменяли версию SGX. Достаточно серьезное, мажорное изменение, по этому поводу на <a href="https://habr.com/ru/company/intel/blog/560598/">Хабре можете почитать статью</a>. В целом, это позволило использовать бОльшие анклавы, оптимизированное в антрастед часть взаимодействие с памятью позволило нам в 10 раз ускорить обучение.</p><p>В планах динамически расширяемые анклавы по памяти. Сейчас, к сожалению, это статически поднимаемые анклавы. Если вы задали им, условно, 256 Гб памяти, и подняли, и в процессе обучения у вас будет переполнение, то произойдет ошибка.</p><p>Также в планах сделать загрузку шифрованных эталонов — сейчас можно загружать зашифрованные фичи, почему бы не шифрованные эталоны? Тем более, что запрос на загрузку шифрованных эталонов присутствует, как и на загрузку шифрованных фичей.</p><p>Это основное, что я хотел рассказать про использование нами технологии SGX в платформе машинного обучения.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=75f105acc0d2" width="1" height="1" alt=""><hr><p><a href="https://medium.com/onefactor-russia/%D0%BA%D0%BE%D0%BD%D1%84%D0%B8%D0%B4%D0%B5%D0%BD%D1%86%D0%B8%D0%B0%D0%BB%D1%8C%D0%BD%D1%8B%D0%B5-%D0%B2%D1%8B%D1%87%D0%B8%D1%81%D0%BB%D0%B5%D0%BD%D0%B8%D1%8F-%D0%BE%D0%BF%D1%8B%D1%82-onefactor-75f105acc0d2">Конфиденциальные вычисления, опыт OneFactor</a> was originally published in <a href="https://medium.com/onefactor-russia">oneFactor (Russia)</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Конфиденциальное машинное обучение oneFactor: уйти от data-паранойи]]></title>
            <link>https://medium.com/onefactor-russia/%D0%BA%D0%BE%D0%BD%D1%84%D0%B8%D0%B4%D0%B5%D0%BD%D1%86%D0%B8%D0%B0%D0%BB%D1%8C%D0%BD%D0%BE%D0%B5-%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5-%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5-onefactor-%D1%83%D0%B9%D1%82%D0%B8-%D0%BE%D1%82-data-%D0%BF%D0%B0%D1%80%D0%B0%D0%BD%D0%BE%D0%B9%D0%B8-2a43167abb01?source=rss----d7f0bc428046---4</link>
            <guid isPermaLink="false">https://medium.com/p/2a43167abb01</guid>
            <dc:creator><![CDATA[1F team]]></dc:creator>
            <pubDate>Fri, 18 Mar 2022 14:39:00 GMT</pubDate>
            <atom:updated>2022-03-18T14:50:20.293Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*SFzkB9vk9D-soSs8uSF2rQ.jpeg" /><figcaption>Виктор Стрелков, директор по разработке<strong> </strong>oneFactor</figcaption></figure><p>Данные представляют для любой компании значительную ценность. Рисковать их утечкой, и тем более делиться ими, готовы немногие. Однако часто встречается ситуация, когда объединение данных разных компаний идет на пользу создаваемым математическим моделям. Решить эту проблему позволяет платформа конфиденциального совместного машинного обучения, реализованная компанией oneFactor. Она дает возможность безопасно провести обучение и исполнение моделей на данных нескольких поставщиков, сохранив данные владельцев в неприкосновенности. О реализации этого проекта <a href="https://cio.osp.ru/articles/040322-Konfidentsialnoe-mashinnoe-obuchenie-oneFactor-uyti-ot-data-paranoyi">рассказывает</a> Виктор Стрелков, директор по разработке<strong> </strong>oneFactor и номинант премии Data Award.</p><p><strong>- В чем суть платформы конфиденциального совместного машинного обучения?</strong></p><p>Это платформа, которая дает возможность обучиться на данных любого количества поставщиков без раскрытия этих данных. Мы предоставляем платформу, которая включает в себя набор инструментов, типовых для дата-сайентиста, и даем возможность подключить к ней произвольное количество поставщиков данных. При этом поставщиком данных может быть тот же самый клиент, который хочет обучиться совместно на наших данных, своих данных и данных какого-нибудь третьего лица, при этом не раскрывая эти данные. Фактически данные представляют собой набор хэшей — совершенно нечитаемую информацию для дата-сайентиста. Он сможет обучить модель и исполнить на этой же платформе, но при этом не сможет сделать никаких выводов о данных, не получить никаких инсайтов, не говоря уже о скачивании и сохранении.</p><p><strong>- Почему это важно?</strong></p><p>С одной стороны, повсеместно наблюдается спрос на защиту данных — начиная от частных и заканчивая корпоративными, и он будет усиливаться. Каждый обладатель данных все яснее понимает, что данные — это большая ценность, которую демонстрировать в раскрытом виде не следует. С другой стороны, наблюдаются попытки использовать машинное обучение в процессах всех отраслей. Объединение данных из различных источников — и это доказано нашим исследованием — дает сильный прирост в качестве машинного обучения. Мы объединяем два этих тренда в своем решении.</p><p><strong>- Как родилась идея платформы конфиденциального совместного машинного обучения?</strong></p><p>Как это часто бывает в таких случаях, изначально решение создавалось в первую очередь для себя. Около пяти лет назад мы делали финансовый скоринг для сервисов финтеха. Сначала только на собственных данных, которые не надо было никому показывать; так было проще. Но аппетиты растут, все хотят повышать точность своих моделей: это напрямую отражается на затратах финансовых организаций, на количестве резервов, на размере прибыли и т.д. То есть точность используемых моделей напрямую влияет на эффективность бизнеса. Мы постоянно проводим исследования с точки зрения улучшения моделей и нашли поставщика данных, нового для нас, — это один из провайдеров финансовых услуг. Работы с данными провайдера проводили в закрытой переговорке на ноутбуке с запаянными USB-портами, с камерами, без допуска в туалет — высший уровень физической изоляции. После обучения модели на объединенных данных получили сильный прирост точности — до 10–15%, это очень много.</p><p>Но как запустить полноценное решение? И мы создали внутреннюю платформу, в которую партнер загружал данные в зашифрованном виде. На этих данных удалось обучить и запустить в эксплуатацию модель, дающую большой прирост точности скоринга. Накопив опыт внутреннего использования в 2020–2021 годах, мы признали, что это отличное решение, достойное вывода на внешний рынок. Такие запросы уже были: приобретая у нас скоринг, банки задавали вопрос, можно ли для улучшения модели добавить собственные данные. В третьем квартале 2021 года мы создали MVP платформы с интерфейсами, возможностью подключения новых поставщиков, шифрованием данных и т.д. И сейчас готовы предложить ее рынку.</p><p><strong>- Что технически представляет собой созданное решение?</strong></p><p>Краеугольный камень защищенных вычислений — это технология Intel Software Guard Extensions (SGX), которая позволяет защитить область памяти от любого несанкционированного доступа, в том числе имея привилегии администратора. Даже имея физический доступ к серверу, у человека нет доступа к данным. Было важно защититься от трех сценариев атаки: чтобы данные не мог получить ни администратор сервера, ни аналитик, который обучает модели, ни поставщик данных. Технология SGX закрывает все три вероятных сценария компрометации данных.</p><p><strong>- Откуда берутся кросс-индустриальные данные, с которыми ведется конфиденциальная работа?</strong></p><p>Кросс-индустриальные данные состоят из трех больших блоков. На предлагаемой нами платформе уже есть наши данные и данные провайдера финансовых услуг. Третья составляющая — это данные самого клиента.</p><p>Рассмотрим, например, лидогенерацию на платную подписку. Есть гипотеза, что платную подписку больше покупают люди, у которых в окружении есть человек, уже купивший ее. У компаний, занимающихся электронной коммерцией, есть данные людей, которые купили подписку, но у них нет данных о связях этих людей. А в других индустриях эти связи есть, но их ни в коем случае нельзя выдавать. С согласия конечных пользователей клиент может загрузить свои данные, не раскрывая их, и путем объединения с данными на нашей платформе получить результат — с какой вероятностью новый человек купит платную подписку.</p><p><strong>- Кто является целевой аудиторией вашего решения?</strong></p><p>Пользователи платформы — дата-сайентисты, а клиенты — это крупные компании и иногда представители СМБ. Это компании, у которых уже разработаны модели машинного обучения на своих транзакционных данных, у которых есть цикл улучшения их бизнеса через дата-сайенс и машинное обучение, которые хотят повысить эффективность процессов со встроенными в них моделями машинного обучения. Мы добавляем этим компаниям новые для них данные, c помощью которых можно осуществить качественное улучшение точности моделей, и даем возможность проводить эксперименты.</p><p><strong>- Каких результатов удалось достичь?</strong></p><p>В первую очередь, это наш проект, называемый «совместный скоринг» — когда мы с партнерами делаем новый продукт и продаем его. С одним из клиентов выходим на промышленную эксплуатацию. И в разной степени внедрения находятся проекты в нескольких крупных банках, два-три из них планируется запустить в эксплуатацию в этом году.</p><p><strong>- Насколько сильный прирост качества моделей дает совместное машинное обучение?</strong></p><p>Показательный пример — удалось достичь показателей до 15% увеличения точности модели банковского и рискового скоринга. Очень значимый результат, потому что это примерно три пункта коэффициента Джини. Увеличение этого коэффициента хотя бы на один пункт — уже веский повод для внедрения системы. А когда речь идет о росте на три пункта Джини, заказчик часто готов даже на сложные и затратные проекты.</p><p><strong>- Способно ли ваше решение повлиять на будущее рынка платформ машинного обучения?</strong></p><p>Да, мы рассчитываем снять барьер data-паранойи, и дать машинному обучению развиваться. Компании должны получать рост эффективность без оглядки на опасения относительно своих данных. Есть и другие компании, которые идут в схожем направлении, но используют другие подходы.</p><p><strong>- Какие вы видите перспективы развития платформы?</strong></p><p>Супер-результатом было бы объединение всех решаемых нами задач на одной платформе — машинного обучения, Auto ML, подсистем лидогенерации и т.д., создание подобия «Единого окна маркетинговых коммуникаций».</p><p>Сценарий из недалекого будущего: к платформе подключается дата-сайентист, набирает себе любые источники данных, обучает модель, подключает каналы коммуникации, при необходимости проводит A/B тест, видит эффективность модели, получает достаточную конверсию, ставит Auto ML. Далее каждый день эта модель переобучается и делает компании рассылку лидов. Мы идем к этому будущему с двух сторон — с одной стороны, развиваем платформу конфиденциальных данных, а с другой стороны — систему лидогенерации и каналы коммуникаций. Важно объединить их в единое решение которое даст новые возможности для омниканальных маркетинговых коммуникаций.</p><p>Машинное обучение многими, особенно обывателями, воспринимается как нечто очень сложное, непонятное и далекое от каждодневной жизни. Мы как профессионалы видим, с какой скоростью развиваются ML-решения, как быстро они проникают во все стороны нашей жизни и помогают нам получать именно ту информацию и услуги, которые нам нужны. Мы гордимся, когда технологически передовые продукты делают наши инженеры, это гарантирует развитие отечественной ИТ-индустрии. Конечно, нахождение на переднем крае технологий, в настоящее время, ставит перед инженерными командами дополнительный набор требований, связанных с безопасностью. И эти требования по безопасности делают создание продуктов для бизнеса еще более интересными для разработчиков, а сами продукты востребованными рынком.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2a43167abb01" width="1" height="1" alt=""><hr><p><a href="https://medium.com/onefactor-russia/%D0%BA%D0%BE%D0%BD%D1%84%D0%B8%D0%B4%D0%B5%D0%BD%D1%86%D0%B8%D0%B0%D0%BB%D1%8C%D0%BD%D0%BE%D0%B5-%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5-%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5-onefactor-%D1%83%D0%B9%D1%82%D0%B8-%D0%BE%D1%82-data-%D0%BF%D0%B0%D1%80%D0%B0%D0%BD%D0%BE%D0%B9%D0%B8-2a43167abb01">Конфиденциальное машинное обучение oneFactor: уйти от data-паранойи</a> was originally published in <a href="https://medium.com/onefactor-russia">oneFactor (Russia)</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Редкий кейс — внедрение ПО для шифрования чувствительных данных]]></title>
            <link>https://medium.com/onefactor-russia/%D1%80%D0%B5%D0%B4%D0%BA%D0%B8%D0%B9-%D0%BA%D0%B5%D0%B9%D1%81-%D0%B2%D0%BD%D0%B5%D0%B4%D1%80%D0%B5%D0%BD%D0%B8%D0%B5-%D0%BF%D0%BE-%D0%B4%D0%BB%D1%8F-%D1%88%D0%B8%D1%84%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F-%D1%87%D1%83%D0%B2%D1%81%D1%82%D0%B2%D0%B8%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D1%8B%D1%85-%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85-c8256ee4e218?source=rss----d7f0bc428046---4</link>
            <guid isPermaLink="false">https://medium.com/p/c8256ee4e218</guid>
            <category><![CDATA[security]]></category>
            <category><![CDATA[encryption]]></category>
            <category><![CDATA[meditation]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[encryption-software]]></category>
            <dc:creator><![CDATA[1F team]]></dc:creator>
            <pubDate>Tue, 01 Feb 2022 08:04:46 GMT</pubDate>
            <atom:updated>2022-02-01T08:16:53.727Z</atom:updated>
            <content:encoded><![CDATA[<h3><strong>Редкий кейс — внедрение ПО для шифрования чувствительных данных</strong></h3><p>Компания oneFactor осуществила внедрение своего продукта oneFactor Mediation в контур Центра развития перспективных технологий (ЦРПТ).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*3M8Sw6rdIQpZ-Smf.png" /></figure><p>oneFactor Mediation — программное решение, обеспечивающее обезличивание и сопутствующее обогащение данных. Процедура обезличивания включает в себя алгоритм из нескольких шагов. Производное значение после применения алгоритма исключает восстановление исходных значений без наличия дополнительной информации — приватного ключа, “соли”; хэширования и прочих вариантов “секрета”. При дальнейшей передаче и работе с этими данными они остаются не “видны” для всех участников и систем.</p><p>По словам <strong>Станислава Мурина, генерального директора oneFactor</strong>, “продукт Mediation является важной разработкой oneFactor — это главный инструмент по защите данных, без которого мы не смогли бы работать. Без решения по обезличиванию и шифрованию данных не могут работать целые сектора экономики, отрасли, где законодательно определены особенности работы с данными — тайна связи, банковская тайна, медицинские данные и т. д. Мы видим, что потребность в таком продукте на рынке есть и рады тому, что ЦРПТ выбрали наше решение”.</p><p>“ЦРПТ продукт такого класса нужен для решения внутренних задач по обезличиванию информации. Проект активно растет, данных, в том числе чувствительных, становится все больше, соответственно в компании все больше внимания уделяют различным подходам к агрегированию и обезличиванию этой информации. Особенно актуально это становится в рамках исполнения требований новой редакции постановления Правительства РФ 1955, в соответствии с которым производителям и импортерам товаров будет раскрываться усредненная цена на их товары в разрезе регионов — в этом случае, например, крайне важно не допустить раскрытие чувствительной информации о цене продажи в конкретной торговой точке”, — комментирует <strong>заместитель генерального директора ЦРПТ, Сергей Холкин.</strong></p><p>Решение oneFactor изначально создавалось под внутренние цели компании, и не проектировалось для продажи внешним клиентам. ЦРПТ обратился в oneFactor, так как знал, что продукт по шифрованию данных у компании есть и успешно применяется для решения бизнес-задач. В ходе первых встреч были совместно определены требования к инфраструктуре, а также со стороны ЦРПТ был определен ряд технических условий — продукт должен работать с операционной системой Ubuntu; обеспечить совместимость hadoop версий; после внедрения обслуживаться минимальным числом специалистов. В процессе внедрения Mediation разработчиками oneFactor была произведена доработка и адаптация продукта под конкретные задачи и технические требования ЦРПТ.</p><p>В итоге ЦРПТ получили готовый продукт, который быстро встроился в бизнес-процесс и не потребовал длительных доработок. Этап от начала переговоров до опытно-промышленной эксплуатации и обучения персонала занял менее трех месяцев. oneFactor продолжит развивать продукт Mediation и консультировать технических специалистов ЦРПТ в будущем.</p><p>oneFactor Mediation входит в Единый реестр российских программ для электронных вычислительных машин и баз данных (реестр отечественного ПО).</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c8256ee4e218" width="1" height="1" alt=""><hr><p><a href="https://medium.com/onefactor-russia/%D1%80%D0%B5%D0%B4%D0%BA%D0%B8%D0%B9-%D0%BA%D0%B5%D0%B9%D1%81-%D0%B2%D0%BD%D0%B5%D0%B4%D1%80%D0%B5%D0%BD%D0%B8%D0%B5-%D0%BF%D0%BE-%D0%B4%D0%BB%D1%8F-%D1%88%D0%B8%D1%84%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F-%D1%87%D1%83%D0%B2%D1%81%D1%82%D0%B2%D0%B8%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D1%8B%D1%85-%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85-c8256ee4e218">Редкий кейс — внедрение ПО для шифрования чувствительных данных</a> was originally published in <a href="https://medium.com/onefactor-russia">oneFactor (Russia)</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Задача конфиденциальности данных поставщика]]></title>
            <link>https://medium.com/onefactor-russia/%D0%B7%D0%B0%D0%B4%D0%B0%D1%87%D0%B0-%D0%BA%D0%BE%D0%BD%D1%84%D0%B8%D0%B4%D0%B5%D0%BD%D1%86%D0%B8%D0%B0%D0%BB%D1%8C%D0%BD%D0%BE%D1%81%D1%82%D0%B8-%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85-%D0%BF%D0%BE%D1%81%D1%82%D0%B0%D0%B2%D1%89%D0%B8%D0%BA%D0%B0-aecfdadd3d1f?source=rss----d7f0bc428046---4</link>
            <guid isPermaLink="false">https://medium.com/p/aecfdadd3d1f</guid>
            <category><![CDATA[big-data]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[intel]]></category>
            <category><![CDATA[onefactor]]></category>
            <dc:creator><![CDATA[1F team]]></dc:creator>
            <pubDate>Tue, 30 Nov 2021 09:14:00 GMT</pubDate>
            <atom:updated>2021-11-30T10:02:41.996Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*xv9cEfm_MJ4jjdy7WFCwGQ.jpeg" /></figure><p><strong>Виктор Стрелков</strong>, директор по разработке oneFactor, выступил на конференции Intel® Experience Day 2021 с кейсом «Использование технологии Intel® Software Guard Extensions (Intel® SGX) для задач машинного обучения». oneFactor является разработчиком платформы SmartMachine для машинного обучения на глобальном графе клиентских связей, позволяющей конфиденциально объединять данные нескольких компаний с использованием аппаратного решения Intel SGX.</p><p>Платформ машинного обучения в России и в мире уже сотни, технология SGX позволила привнести в платформу ключевой дифференциатор — <strong>конфиденциальное совместное</strong> машинное обучение.</p><p>По результатам исследования компании oneFactor, добавление в признаковое пространство модели данных из нескольких доменных областей, например комбинация данных eCom и данных операторов связи, дает от 5 до 15% прироста точности данной модели.</p><p>Вместе с этим тренд на максимальную защиту данных только усиливается. Задача, поставленная для реализации — обеспечить конфиденциальность данных, загружаемых в платформу, от трех участников: от одного поставщика другому, от Data Scientist-а обучающего модель и от администратора платформы обучения.</p><p>Исследовав различные пути решения задачи защиты данных, разработчики oneFactor пришли к технологии Intel SGX, которая представляет собой набор инструкций процессора, позволяющий создавать защищённую область адресного пространства в том числе и от процессов с правами администратора. На базе данной технологии oneFactor разработал способ поставки данных в платформу без возможности компрометации.</p><p>Разработанное приложение «поднимается» как сервис на любом компьютере с поддержкой Intel SGX. Данный сервис предоставляет интерфейсы по загрузке данных, аттестации анклавов и выгрузке результирующих данных.</p><p>В первую очередь происходит аттестация анклава (подтверждение подлинности анклава), затем клиент создает защищенное соединение, по которому можно поставить свои данные. При аттестации анклава проверка происходит по двум идентификаторам: mr_signer — разработчик анклава, в данном случае oneFactor, и mr_enclave, конкретная сборка данного приложения. При пересборке mr_enclave меняется и oneFactor по защищенным каналам передает дата-провайдеру новый ID. Внешним сервисом подтверждения подлинности анклава также является Intel attestation server, аналог корневого центра сертификации<em>.</em></p><p>После аттестации самого соединения анклав используется для хранения «секрета» дата-провайдера, в данном случае этим «секретом» является пара ключей (несимметричный алгоритм), которыми шифруется набор данных. Открытый ключ поставляется через соединение с анклавом внутрь и данные загружаются на компьютер, где развернут сервис SmartMachine, в зашифрованном виде. Это проделывают все поставщики данных, которые будут участвовать в обучении — загружают свои зашифрованные данные в обычную область на диск и «секреты», в данном случае открытый ключ, в зашифрованную область памяти.</p><p>Затем data-scientist, который одновременно может выступать и поставщиком данных, через привычный ему инструмент Jupyter Kernel заходит в ядро среды разработки, которое в свою очередь обращается к развёрнутому анклаву, в котором проходит машинное обучение.</p><p>Важно понимать, что это не кейс песочницы, в анклаве помимо защищенного ядра обучения существует также защищенное ядро исполнения. Архитектурно там расположен тот же самый анклав. После обучения модели в защищенном пространстве, аналитик публикует модель, то есть его модель поставляется в анклав исполнения и через небольшое время становится доступна для использования.</p><p>Как переход на технологию<strong> SGX 2.0 позволил ускорить обучение до 19 раз</strong> ранее было рассказано в <a href="https://habr.com/ru/company/intel/blog/560598/">публикации на Хабр</a>.</p><p>Что же дальше? <strong>Виктор Стрелков</strong> поделился планами на 2022 год. По его словам, oneFactor реализует несколько улучшений платформы:</p><p>• динамически расширяемый по памяти анклав — позволит динамически расширять анклавы и сжимать после использования;</p><p>• использование локальной аттестации;</p><p>• возможность загрузки шифрованных эталонов для обучения.</p><p>Intel Experience Day — главное мероприятие Intel в России, на котором эксперты говорят о ключевых трендах, формирующих развитие ИТ-индустрии в России и в мире, представляют новейшие продукты компании, а также делятся опытом в создании передовых технологических решений на базе технологий Intel®.</p><p>Компания oneFactor (входит в «ИКС Холдинг») — ведущая российская IT-компания, лидер рынка безопасной монетизации данных, специализирующаяся на разработке решений для оптимизации ключевых бизнес-процессов на основе обработки больших массивов данных.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=aecfdadd3d1f" width="1" height="1" alt=""><hr><p><a href="https://medium.com/onefactor-russia/%D0%B7%D0%B0%D0%B4%D0%B0%D1%87%D0%B0-%D0%BA%D0%BE%D0%BD%D1%84%D0%B8%D0%B4%D0%B5%D0%BD%D1%86%D0%B8%D0%B0%D0%BB%D1%8C%D0%BD%D0%BE%D1%81%D1%82%D0%B8-%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85-%D0%BF%D0%BE%D1%81%D1%82%D0%B0%D0%B2%D1%89%D0%B8%D0%BA%D0%B0-aecfdadd3d1f">Задача конфиденциальности данных поставщика</a> was originally published in <a href="https://medium.com/onefactor-russia">oneFactor (Russia)</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Рекордное число iPhone 13 купили россияне за первую неделю продаж]]></title>
            <link>https://medium.com/onefactor-russia/%D1%80%D0%B5%D0%BA%D0%BE%D1%80%D0%B4%D0%BD%D0%BE%D0%B5-%D1%87%D0%B8%D1%81%D0%BB%D0%BE-iphone-13-%D0%BA%D1%83%D0%BF%D0%B8%D0%BB%D0%B8-%D1%80%D0%BE%D1%81%D1%81%D0%B8%D1%8F%D0%BD%D0%B5-%D0%B7%D0%B0-%D0%BF%D0%B5%D1%80%D0%B2%D1%83%D1%8E-%D0%BD%D0%B5%D0%B4%D0%B5%D0%BB%D1%8E-%D0%BF%D1%80%D0%BE%D0%B4%D0%B0%D0%B6-5e27f70a6a03?source=rss----d7f0bc428046---4</link>
            <guid isPermaLink="false">https://medium.com/p/5e27f70a6a03</guid>
            <category><![CDATA[большие-данные]]></category>
            <category><![CDATA[smart-machines]]></category>
            <category><![CDATA[машинное-обучение]]></category>
            <category><![CDATA[onefactor]]></category>
            <category><![CDATA[iphone-13]]></category>
            <dc:creator><![CDATA[1F team]]></dc:creator>
            <pubDate>Tue, 05 Oct 2021 12:57:57 GMT</pubDate>
            <atom:updated>2021-10-05T13:00:01.983Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1018/1*fcecxgdAiTCUEm-R9tcLYA.jpeg" /></figure><p><strong><em>Продажи iPhone 13 за первую неделю установили рекорд среди всех поколений этого смартфона в России. Компания oneFactor подвела итоги с помощью платформы SmartMachine для конфиденциального совместного машинного обучения на глобальном клиентском графе и максимально быстрого создания сервисов искусственного интеллекта. Для маркетингового анализа использовались агрегированные данные мобильного трафика и других индустрий, подключенные к платформе.</em></strong></p><p>«Продажи iPhone 13 за первую неделю продаж установили рекорд среди всех поколений айфонов в России — в сетях мобильных операторов было зафиксировано порядка 93 тыс. регистраций iPhone 13 разных модификаций, что составляет на данный момент около 0,08% от числа всех смартфонов в РФ. Ни одна из предыдущих моделей прошлого поколения не имела таких высоких показателей. В прошлом году за аналогичный период было зафиксировано 57 тыс. регистраций iPhone 12 разных видов», — <strong>комментирует директор по продуктам и аналитике oneFactor Максим Воеводский.</strong></p><p>49% всех регистраций устройств пришлись на iPhone 13 Pro, 33% — на iPhone 13 Pro Max. Наименьшей популярностью пользовалась модель iPhone 13 mini — порядка 4 тыс. смартфонов.</p><p>Наибольшее число новых айфонов купили москвичи — порядка 27% всех регистраций устройств. На втором месте по числу продаж новых iPhone — жители Московской области, на них пришлось 16% всех регистраций. В тройку регионов с максимальным числом регистраций вошел Санкт-Петербург — порядка 10% регистраций.</p><p>Минимальное проникновение новых iPhone на территории РФ зафиксировано в Ненецком АО, Курганской области и Еврейской автономной области и составляет менее 0,01%.</p><p>iPhone 13 продаются на 63% лучше iPhone 12 за аналогичный период прошлого года, при этом ситуация по отдельным моделям неоднородна. Так, модели 13 Pro продаются в 2,8 раза лучше, чем Pro 12 в 2020 году; модели 13 Pro Max на 36% лучше, чем в 2020 году, а продажи mini наоборот снижаются относительно 2020 года.</p><p>Среди первых покупателей iPhone 13 больше всего людей, которые ранее владели iPhone 12 Pro Max, — их доля составила порядка 11% в общем объеме продаж. На втором месте по переходам — iPhone 11 Pro, на iPhone 13 перешли порядка 10% владельцев этого смартфона. На третьем месте iPhone 11 — около 9% владельцев перешли на айфон нового поколения. Лишь 10% покупателей iPhone 13 перешли с Android, остальные перешли с предыдущих версий iOS.</p><p>Средний чек (ARPU) у владельца iPhone 13 составляет более 0,7 тыс. руб., в то время ARPU владельцев iPhone 13 Pro Max — порядка 1,3 тыс. руб., iPhone 13 Pro — около 1 тыс. руб.</p><p>Средний возраст покупателя iPhone 13 и его модификаций составляет 35 лет. 47% владельцев айфонов нового поколения — мужчины, 53% — женщины.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=5e27f70a6a03" width="1" height="1" alt=""><hr><p><a href="https://medium.com/onefactor-russia/%D1%80%D0%B5%D0%BA%D0%BE%D1%80%D0%B4%D0%BD%D0%BE%D0%B5-%D1%87%D0%B8%D1%81%D0%BB%D0%BE-iphone-13-%D0%BA%D1%83%D0%BF%D0%B8%D0%BB%D0%B8-%D1%80%D0%BE%D1%81%D1%81%D0%B8%D1%8F%D0%BD%D0%B5-%D0%B7%D0%B0-%D0%BF%D0%B5%D1%80%D0%B2%D1%83%D1%8E-%D0%BD%D0%B5%D0%B4%D0%B5%D0%BB%D1%8E-%D0%BF%D1%80%D0%BE%D0%B4%D0%B0%D0%B6-5e27f70a6a03">Рекордное число iPhone 13 купили россияне за первую неделю продаж</a> was originally published in <a href="https://medium.com/onefactor-russia">oneFactor (Russia)</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Предвзятость искусственного интеллекта в банках или как не отказывать хорошим заемщикам]]></title>
            <link>https://medium.com/onefactor-russia/%D0%BF%D1%80%D0%B5%D0%B4%D0%B2%D0%B7%D1%8F%D1%82%D0%BE%D1%81%D1%82%D1%8C-%D0%B8%D1%81%D0%BA%D1%83%D1%81%D1%81%D1%82%D0%B2%D0%B5%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE-%D0%B8%D0%BD%D1%82%D0%B5%D0%BB%D0%BB%D0%B5%D0%BA%D1%82%D0%B0-%D0%B2-%D0%B1%D0%B0%D0%BD%D0%BA%D0%B0%D1%85-%D0%B8%D0%BB%D0%B8-%D0%BA%D0%B0%D0%BA-%D0%BD%D0%B5-%D0%BE%D1%82%D0%BA%D0%B0%D0%B7%D1%8B%D0%B2%D0%B0%D1%82%D1%8C-%D1%85%D0%BE%D1%80%D0%BE%D1%88%D0%B8%D0%BC-%D0%B7%D0%B0%D0%B5%D0%BC%D1%89%D0%B8%D0%BA%D0%B0%D0%BC-b1b7b35a71b1?source=rss----d7f0bc428046---4</link>
            <guid isPermaLink="false">https://medium.com/p/b1b7b35a71b1</guid>
            <category><![CDATA[onefactor]]></category>
            <category><![CDATA[smart-machines]]></category>
            <category><![CDATA[банки]]></category>
            <category><![CDATA[большие-данные]]></category>
            <category><![CDATA[кредит]]></category>
            <dc:creator><![CDATA[1F team]]></dc:creator>
            <pubDate>Mon, 20 Sep 2021 08:53:50 GMT</pubDate>
            <atom:updated>2021-09-20T08:53:50.612Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*t02J3vpAe544gAlqIp_DBA.jpeg" /></figure><p><em>До сих пор многие банки принимают свои решения с применением так называемых «стоп-правил» или «хард-чеков». Примерами таких стоп-факторов являются слишком молодой или наоборот слишком пожилой возраст заявителя, факт прописки в неблагополучном по мнению банка регионе, наличие просроченной задолженности в прошлом, отсутствие кредитной истории, наличие микрозаймов и т.д.</em></p><p><em>Эти правила много лет помогали банкам отсекать от кредитования большие сегменты клиентов с высоким уровнем потенциальной просрочки. Часто эти правила работали, не меняясь, много лет. Но в 2020 году в период пандемии, когда на фоне резкого сокращения уровня одобрения, вопрос привлечения новых клиентов стал особо остро, некоторые финансовые организации осознали, что такие стоп-правила сильно неэффективны, поскольку отрезают от кредитования большое число добросовестных клиентов.</em></p><p><em>Для решения этой проблемы рынку потребовались новые походы и новые решения для процесса рассмотрения кредитных заявок. Одним из таких решения стала платформа oneFactor SmartMachine для конфиденциального совместного машинного обучения на глобальном клиентском графе и быстрого создания максимально точных сервисов. Эта платформа уже позволила некоторым финансовым организациям верифицировать свои решения: выявить ошибки в работе стоп-факторов и модифицировать их. Платформу уже протестировали и начали использовать банки-лидеры розничного кредитования. По итогам тестов, рекомендации на основе платформы позволили признать около 20% отказов, основанных на стоп-факторах ошибочными.</em></p><p>Эксперты рынка отмечали снижение объемов выдач кредитов населению еще в конце 2019 года — это следствие регуляторного давления на банки в части ограничения ПДН (показатель долговой нагрузки). Требования регулятора были призваны снизить уровень закредитованности населения. Как результат, россияне стали гораздо чаще получать отказы в выдаче кредитов.</p><p>Ситуация усложнилась в период пандемии, когда некоторые добросовестные клиенты не смогли выплачивать кредиты. Вместо пересмотра текущего процесса рассмотрения заявок и выявления сегментов, на которых банковский конвеер принимает ошибочное решение, чтобы компенсировать рост отказов из-за потери источника доходов значимой долей населения, пострадавшего в период короновирусных ограничений, банки сформировали дополнительные стоп-правила, блокирующие целые сегменты, наиболее пострадавшие от последствий пандемии, например, сотрудников розничной торговли или сферы услуг. В результате на рынке к середине 2020 года уровень одобрения кредитов для новых клиентов упал, по оценке компании oneFactor, в несколько раз — с 30–40% до 5–10%.</p><p>Для помощи банкам в решении проблемы сокращения уровня одобрения oneFactor на основе собственной платформы SmartMachine разработал сервис, который автоматически выявляет ошибки в решениях банков еще на этапе рассмотрения заявки. Процесс совместного конфиденциального машинного обучения на основе данных разных индустрий и глобального клиентского графа позволяет находить и корректировать ошибки традиционного подхода. Особенностью платформы является постоянное дообучение на основании банковских данных (фактов одобрений и отказов, просрочек по выданному кредиту) и исключение предвзятости банковского искусственного интеллекта, который склонен к формированию высокоохватных стоп-правил, за счет использования внешних поведенческих данных, в которых отсутствуют такие факторы дискриминации как пол, возраст, место работы и проживания, факты использования микрозаймов и пр. Запатентованная технология oneFactor, реализующая конфиденциальное совместное машинное обучение на глобальном клиентском графе, позволяет обучать модели и алгоритмы для принятия решений на кросс-индустриальных данных в защищенной области памяти устройств в периметре владельцев данных. В итоге обеспечивается конфиденциальность и сохранность данных.</p><p>Внедрение нового подхода к верификации банковских решений на платформе oneFactor позволяет банку увеличить долю положительных решений на 24% без пересмотра приемлемого для банка уровня риска. Например, в сегменте клиентов без кредитной истории, платформа позволяет выделить 22% благонадежных клиентов среди получающих сейчас отказ. В сегменте клиентов, имевших ранее просрочку по другим кредитам, 26% заемщиков можно выдать кредит с минимальным риском. Сейчас же большинство банков таким клиентам отказывают.</p><p><em>«Проблема предвзятости искусственного интеллекта, выраженная в частности, в отказе в кредитовании отдельным сегментам населения на основании атрибутов, которые даны человеку от рождения и на которые человек не может влиять, такие как пол, возраст, место рождения, национальность и прочие, мало изучена в нашей стране. В Европе, например, для решения этой проблемы существуют отдельные нормативные акты. Мы же своим опытом показываем, что компании, которые исключают из своих систем искусственного интеллекта элементы предвзятости, получают конкурентное преимущество, и получают экстра прибыль. В итоге остальные участники рынка вынуждены к ним подтягиваться. В итоге системы искусственного интеллекта в нашей стране избавляются от предвзятости и вся система движется к балансу без каких-либо законодательных ограничений», — комментирует </em><strong><em>Генеральный директор и сооснователь oneFactor, руководитель Технологического комитета Ассоциации больших данных в России Роман Постников</em></strong><em>.</em></p><p><strong>О платформе</strong></p><p>Платформа совместного конфиденциального машинного обучения на глобальном клиентском графе SmartMachine запущена в промышленную эксплуатацию в конце 2020 года. С марта 2021 года технология oneFactor позволяет не только исполнять алгоритмы машинного обучения в анклаве, но также их тренировки внутри анклава Intel SGX. Теперь исполняемый код — алгоритм машинного обучения, генерируется непосредственного в анклаве с помощью инновационных методов. Технология была запатентована компанией oneFactor на территории Российской Федерации в мае 2019 года. На данный момент к платформе уже подключен ряд крупнейших по объему розничного кредитования российских банков.</p><p>Использование технологий secure multi-party computation и Intel SGX позволяет решению oneFactor обрабатывать полностью зашифрованные данные в апаратно-защищенной среде. Технология предоставляет возможность конфиденциально объединять данные разных компаний и индустрий в едином вычислительном облаке, а затем использовать их в рекомендательных сервисах на базе искусственного интеллекта. Особенностью платформы SmartMachine является высокий уровень защиты исходных данных от компрометации на аппаратном уровне, поскольку их «видит» только алгоритм машинного обучения. К данным нет доступа даже у администраторов системы или поставщика облачных сервисов, что подтверждено независимым аудитом с участием компаний, подключивших свои данные к платформе. Изоляция данных в анклаве SGX обеспечивает дополнительную защиту от несанкционированного внешнего или внутреннего доступа. oneFactor — первая компания, которая реализовала коммерческое применение технологии secure multi-party computation для тренировки алгоритмов машинного обучения в решении для финансового сектора в России, и запатентовала его еще в 2019 году.</p><p><strong>О oneFactor</strong></p><p><em>oneFactor — первая российская компания, которая включена в международное исследование Gartner “Cool Vendor List” для операторов связи. За всю историю исследований Gartner в “Cool Vendor List” вошли только пять российских компаний.</em></p><p><em>Сегодня 9 из 10 банков РФ используют сервисы на базе платформы oneFactor. На конец 2020 года более 85% всех решений по выдаче кредитов российские банки принимали с помощью сервиса SmartMachine.</em></p><p><a href="http://www.onefactor.ru/"><strong><em>www.onefactor.ru</em></strong></a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b1b7b35a71b1" width="1" height="1" alt=""><hr><p><a href="https://medium.com/onefactor-russia/%D0%BF%D1%80%D0%B5%D0%B4%D0%B2%D0%B7%D1%8F%D1%82%D0%BE%D1%81%D1%82%D1%8C-%D0%B8%D1%81%D0%BA%D1%83%D1%81%D1%81%D1%82%D0%B2%D0%B5%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE-%D0%B8%D0%BD%D1%82%D0%B5%D0%BB%D0%BB%D0%B5%D0%BA%D1%82%D0%B0-%D0%B2-%D0%B1%D0%B0%D0%BD%D0%BA%D0%B0%D1%85-%D0%B8%D0%BB%D0%B8-%D0%BA%D0%B0%D0%BA-%D0%BD%D0%B5-%D0%BE%D1%82%D0%BA%D0%B0%D0%B7%D1%8B%D0%B2%D0%B0%D1%82%D1%8C-%D1%85%D0%BE%D1%80%D0%BE%D1%88%D0%B8%D0%BC-%D0%B7%D0%B0%D0%B5%D0%BC%D1%89%D0%B8%D0%BA%D0%B0%D0%BC-b1b7b35a71b1">Предвзятость искусственного интеллекта в банках или как не отказывать хорошим заемщикам</a> was originally published in <a href="https://medium.com/onefactor-russia">oneFactor (Russia)</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[MWC21: компании, использующие ИИ с предвзятостью, обречены терять прибыль]]></title>
            <link>https://medium.com/onefactor-russia/mwc21-%D0%BA%D0%BE%D0%BC%D0%BF%D0%B0%D0%BD%D0%B8%D0%B8-%D0%B8%D1%81%D0%BF%D0%BE%D0%BB%D1%8C%D0%B7%D1%83%D1%8E%D1%89%D0%B8%D0%B5-%D0%B8%D0%B8-%D1%81-%D0%BF%D1%80%D0%B5%D0%B4%D0%B2%D0%B7%D1%8F%D1%82%D0%BE%D1%81%D1%82%D1%8C%D1%8E-%D0%BE%D0%B1%D1%80%D0%B5%D1%87%D0%B5%D0%BD%D1%8B-%D1%82%D0%B5%D1%80%D1%8F%D1%82%D1%8C-%D0%BF%D1%80%D0%B8%D0%B1%D1%8B%D0%BB%D1%8C-a6bd3fb5e1a4?source=rss----d7f0bc428046---4</link>
            <guid isPermaLink="false">https://medium.com/p/a6bd3fb5e1a4</guid>
            <category><![CDATA[onefactor]]></category>
            <category><![CDATA[роман-постников]]></category>
            <category><![CDATA[mwc]]></category>
            <category><![CDATA[искусственный-интеллект]]></category>
            <category><![CDATA[большие-данные]]></category>
            <dc:creator><![CDATA[1F team]]></dc:creator>
            <pubDate>Mon, 05 Jul 2021 09:50:27 GMT</pubDate>
            <atom:updated>2021-07-14T08:26:44.622Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/700/1*vFYkMTt8CmWW_BcXYB-xTg.jpeg" /></figure><p><strong>Мировой мобильный форум Mobile World Congress все же состоялся в этом году в Барселоне, хотя и в гибридном формате. Россию представляли — Билайн, Касперский, разработчики сервисов искусственного интеллекта — oneFactor и др. Ничего нового не обсуждалось — как обычно 5G, Cloud, IoT, OpenRAN. Однако все-таки нашлись интересные темы, в частности, новые тренды развития искусственного интеллекта. Так, например, на панельной сессии «Этика искусственного интеллекта», вместе c топ-менеджерами IBM и Telefonica (один из крупнейших в мире телеком операторов) CEO oneFactor обсуждал тему дискриминации людей алгоритмами искусственного интеллекта. Разные страны придерживаются в отношении ИИ разных стратегий. Общее только то, что в области технологий искусственного интеллекта все хотят если не лидировать, то хотя бы не отстать. При этом тема этики и регулирования ИИ остается самой острой и неоднозначной. Одним из вопросов является предвзятость алгоритмов, когда системы принятия решений в приложениях с ИИ начинают дискриминировать отдельные группы людей по характеристикам, на которые эти люди не могут повлиять: пол, возраст, цвет кожи, вероисповедание, место жительства и пр. В европейских странах даже вводится специальное законодательное регулирование, которое призвано бороться с предвзятостью, а крупные мировые корпорации внедряют дорогостоящие процессы и софтверные решения для борьбы с этим явлением.</strong></p><p>Генеральный директор компании oneFactor, руководитель Технологического комитета Ассоциации больших данных в России Роман Постников представил новый взгляд на эту проблему, основанный на российском опыте. Суть его состоит в том, что системы искусственного интеллекта и разработчики ИИ должны конкурировать между собой. Компании, которые используют предвзятые алгоритмы, дискриминирующие отдельные группы населения, начинают терять прибыль и долю рынка. <em>«Если исключить предвзятость искусственного интеллекта из своих систем, регулирующие воздействия не потребуются. Компания, которая догадается сделать ИИ непредвзятым, получит конкурентное преимущество», — говорит Постников.</em></p><p>oneFactor создает ИИ-приложения уже более 10 лет и неоднократно сталкивалась с тем, что компании, которые допускали дискриминацию алгоритмами, начинали проигрывать конкурентную борьбу. Наиболее ярким примером является дискриминация по географии. Многие банки, страховые компании и компании из других отраслей в России используют искусственный интеллект, дискриминирующий жителей некоторых территорий. Ни для кого не секрет, что жителей Северного Кавказа и Читинской области наши банки почти не кредитуют, а страховые компании выставляют заградительные тарифы на автострахование для жителей, например, Краснодарского края. Это происходит, поскольку жители этих территорий часто не платят по кредитам и часто попадают в аварии. Искусственный интеллект и процессы машинного обучения «ленивы», они находят такой признак как регион с высокой разделяющей силой и применяют типовое решение — дискриминировать всех жителей данного региона: отказать в предоставлении таким людям в возможности получить кредит или назначить крайне высокие тарифы на автострахование. При этом, если из рассмотрения ИИ исключить переменную территории проживания, это заставит алгоритм искать другие признаки, которые разделяют население. Тогда у “благонадежных” людей, живущих на этих территориях, появляется шанс получить услугу и лучшую цену. А у компаний — возможность получить больше прибыль за счет работы с клиентами на данной территории. Как показывает пример oneFactor, в рыночной борьбе побеждают компании, использующие алгоритмы, лишенные дискриминации по признакам, на которые человек не может повлиять: место рождения, пол, возраст и пр.</p><p>Постников считает, что задача регулятора — создавать конкурентную среду для систем искусственного интеллекта, а не вводить жесткие ограничения на их развитие, как это сейчас обсуждается в Европе. Регуляторам стоит бороться с закрытостью алгоритмов в рекламных и других экосистемах, которые невозможно улучшить как раз из-за монополизма этих участников рынка. Открыть возможность к их улучшению как за счет внешних данных, так и использования собственных AI алгоритмов потребителями. Например, недавно обнаружили внутренний алгоритм таргетинга Facebook, который дискриминировал женщин при показе предложений о трудоустройстве на ряд вакансий, поскольку исторически на данных позициях работает больше мужчин.</p><p><em>«Как и везде, для успешного развития отрасли искусственного интеллекта эффективнее поддерживать конкуренцию систем и разработчиков ИИ. Важно не допускать монополизации решения задач искусственного интеллекта отдельными компаниями. Конкуренция приводит экономику к росту, а в случае искусственного интеллекта дополнительно нивелирует любые формы дискриминации и предвзятости», — резюмирует Роман Постников.</em></p><p><strong>Смотреть видео </strong><a href="https://www.dropbox.com/s/cocjiazq2pycnl4/%D0%92%D0%B8%D0%B4%D0%B5%D0%BE%2029.06.2021%2C%2016%2017%2040.mov?dl=0"><strong>здесь</strong></a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a6bd3fb5e1a4" width="1" height="1" alt=""><hr><p><a href="https://medium.com/onefactor-russia/mwc21-%D0%BA%D0%BE%D0%BC%D0%BF%D0%B0%D0%BD%D0%B8%D0%B8-%D0%B8%D1%81%D0%BF%D0%BE%D0%BB%D1%8C%D0%B7%D1%83%D1%8E%D1%89%D0%B8%D0%B5-%D0%B8%D0%B8-%D1%81-%D0%BF%D1%80%D0%B5%D0%B4%D0%B2%D0%B7%D1%8F%D1%82%D0%BE%D1%81%D1%82%D1%8C%D1%8E-%D0%BE%D0%B1%D1%80%D0%B5%D1%87%D0%B5%D0%BD%D1%8B-%D1%82%D0%B5%D1%80%D1%8F%D1%82%D1%8C-%D0%BF%D1%80%D0%B8%D0%B1%D1%8B%D0%BB%D1%8C-a6bd3fb5e1a4">MWC21: компании, использующие ИИ с предвзятостью, обречены терять прибыль</a> was originally published in <a href="https://medium.com/onefactor-russia">oneFactor (Russia)</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[oneFactor примет участие в крупнейшей международной выставке Mobile World Congress 2021]]></title>
            <link>https://medium.com/onefactor-russia/onefactor-%D0%BF%D1%80%D0%B8%D0%BC%D0%B5%D1%82-%D1%83%D1%87%D0%B0%D1%81%D1%82%D0%B8%D0%B5-%D0%B2-%D0%BA%D1%80%D1%83%D0%BF%D0%BD%D0%B5%D0%B9%D1%88%D0%B5%D0%B9-%D0%BC%D0%B5%D0%B6%D0%B4%D1%83%D0%BD%D0%B0%D1%80%D0%BE%D0%B4%D0%BD%D0%BE%D0%B9-%D0%B2%D1%8B%D1%81%D1%82%D0%B0%D0%B2%D0%BA%D0%B5-mobile-world-congress-2021-8ed8024dc967?source=rss----d7f0bc428046---4</link>
            <guid isPermaLink="false">https://medium.com/p/8ed8024dc967</guid>
            <category><![CDATA[роман-постников]]></category>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[исскусственный-интеллект]]></category>
            <category><![CDATA[mwc]]></category>
            <category><![CDATA[onefactor]]></category>
            <dc:creator><![CDATA[1F team]]></dc:creator>
            <pubDate>Mon, 28 Jun 2021 11:57:43 GMT</pubDate>
            <atom:updated>2021-06-28T12:57:33.172Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/700/1*vFYkMTt8CmWW_BcXYB-xTg.jpeg" /></figure><p>Самая авторитетная <a href="https://www.mwcbarcelona.com/">международная выставка</a> #MWC21, посвященная мобильным технологиям и связи, в этом году пройдет в Барселоне в гибридном формате. Среди участников — представители ведущих индустриальных и технологических компаний, а также государственные делегации со всего мира.</p><p>CEO компании oneFactor, руководитель Технологического комитета Ассоциации больших данных в России Роман Постников примет участие в дискуссии, посвященной этике искусственного интеллекта, и расскажет о решениях, которые могут сделать ИИ безопасным и прозрачным, а также позволяют обеспечить сохранность и конфиденциальность данных.</p><p><em>oneFactor — разработчик платформы SmartMachine для конфиденциального совместного обучения на глобальном клиентском графе и быстрого создания максимально точных сервисов в различных секторах экономики: банковском секторе, ретейле, страховании, E-commerce, рекламном бизнесе, сити-менеджменте, транспорте и туризме. </em><br><em> </em><br><em>oneFactor — соучредитель и участник Ассоциации больших данных в России.</em><br><em> </em><br><em>oneFactor — первая российская компания, которая вошла в ключевое международное IT-исследование Gartner “Cool Vendors” для операторов связи. </em><br><em> </em><br><em>Сегодня 9 из 10 банков РФ используют сервисы на базе платформы SmartMachine. На конец 2020 года более 85% всех решений по выдаче кредитов российские банки принимали с помощью SmartMachine.</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8ed8024dc967" width="1" height="1" alt=""><hr><p><a href="https://medium.com/onefactor-russia/onefactor-%D0%BF%D1%80%D0%B8%D0%BC%D0%B5%D1%82-%D1%83%D1%87%D0%B0%D1%81%D1%82%D0%B8%D0%B5-%D0%B2-%D0%BA%D1%80%D1%83%D0%BF%D0%BD%D0%B5%D0%B9%D1%88%D0%B5%D0%B9-%D0%BC%D0%B5%D0%B6%D0%B4%D1%83%D0%BD%D0%B0%D1%80%D0%BE%D0%B4%D0%BD%D0%BE%D0%B9-%D0%B2%D1%8B%D1%81%D1%82%D0%B0%D0%B2%D0%BA%D0%B5-mobile-world-congress-2021-8ed8024dc967">oneFactor примет участие в крупнейшей международной выставке Mobile World Congress 2021</a> was originally published in <a href="https://medium.com/onefactor-russia">oneFactor (Russia)</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[oneFactor в 19 раз ускорил обучение алгоритмов на платформе SmartMachine для максимально быстрого…]]></title>
            <link>https://medium.com/onefactor-russia/onefactor-%D0%B2-19-%D1%80%D0%B0%D0%B7-%D1%83%D1%81%D0%BA%D0%BE%D1%80%D0%B8%D0%BB-%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5-%D0%B0%D0%BB%D0%B3%D0%BE%D1%80%D0%B8%D1%82%D0%BC%D0%BE%D0%B2-%D0%BD%D0%B0-%D0%BF%D0%BB%D0%B0%D1%82%D1%84%D0%BE%D1%80%D0%BC%D0%B5-smartmachine-%D0%B4%D0%BB%D1%8F-%D0%BC%D0%B0%D0%BA%D1%81%D0%B8%D0%BC%D0%B0%D0%BB%D1%8C%D0%BD%D0%BE-%D0%B1%D1%8B%D1%81%D1%82%D1%80%D0%BE%D0%B3%D0%BE-eba5cf5cef8e?source=rss----d7f0bc428046---4</link>
            <guid isPermaLink="false">https://medium.com/p/eba5cf5cef8e</guid>
            <category><![CDATA[onefactor]]></category>
            <category><![CDATA[intel]]></category>
            <category><![CDATA[большие-данные]]></category>
            <category><![CDATA[машинное-обучение]]></category>
            <category><![CDATA[smart-machines]]></category>
            <dc:creator><![CDATA[1F team]]></dc:creator>
            <pubDate>Mon, 28 Jun 2021 10:04:25 GMT</pubDate>
            <atom:updated>2021-06-28T17:28:43.965Z</atom:updated>
            <content:encoded><![CDATA[<h3><strong>oneFactor в 19 раз ускорил обучение алгоритмов на платформе SmartMachine для максимально быстрого запуска ML-сервисов</strong></h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/960/1*wvRW8XrGLtQq4H_-ceyifA.png" /></figure><p><em>Компания oneFactor применила процессоры Intel® Xeon® Scalable третьего поколения для ускорения процесса машинного обучения в анклавах Intel® Software Guard Extensions (Intel® SGX) на собственной платформе SmartMachine для конфиденциального совместного машинного обучения на глобальном графе клиентских связей и быстрого создания максимально точных сервисов. В результате было достигнуто ускорение полного цикла обучения в 8–19 раз в зависимости от размера подаваемых на вход данных по сравнению с использованием процессоров Intel предыдущего поколения. Использование решений Intel на платформе SmartMachine позволяет повысить качество рекомендаций сервисов на 20–35%, существенно ускорить цикл создания новых моделей в SGX-анклавах всего до нескольких часов, а также упростить процедуру масштабирования платформы в пиковую нагрузку клиентов.</em></p><p>Тесты показали, что ключевые компоненты платформы oneFactor, обеспечивающие безопасное обучение алгоритмов машинного обучения, успешно работают на новых процессорах Intel Xeon Scalable третьего поколения с поддержкой SGX2 и позволяют ускорить обучение алгоритмов на платформе компании в 8–19 раз в зависимости от размера подаваемых на вход данных по сравнению с использованием процессоров Intel Xeon предыдущего поколени<em>я</em>. Так, время, требуемое на одну итерацию обучения, включающую загрузку данных в анклав, их подготовку и преобразование, а также само обучение, при размере обучающей выборки 3,6 Гигабайт составило 787 секунд для SGX1 и 91 секунду для SGX2. При размере обучающей выборки равной 11 Гигабайт данное время составило уже 4320 секунд для SGX1 и 224 секунды для SGX2.</p><p>Полученные по результатам тестов показатели демонстрируют, что выигрыш по времени увеличивается при росте размеров обучающей выборки: при 3,6 Гб подаваемых на обучение выигрыш составил 8,6 раз; при 11 Гб подаваемых на обучение выигрыш составил уже 19 раз. Также следует учитывать, что для получения промышленной модели платформа SmartMachine производит в среднем 150 итераций и это даёт значительный выигрыш по времени обучения при использовании новых CPU ICX с поддержкой SGX2. Решения нового поколения от Intel существенно сокращают цикл создания новых моделей в SGX-анклавах на платформе компании всего до нескольких часов, а также упрощают процедуру масштабирования платформы в пиковую нагрузку клиентов.</p><p>oneFactor разработал платформу SmartMachine для объединения данных нескольких компаний и индустрий на основе multy-party computation (MPC — многосторонние конфиденциальные вычисления) технологии с использованием аппаратного решения Intel<em> </em>SGX в конце 2018 года. Платформа компании запущена в промышленную эксплуатацию в конце 2020 года. С марта 2021 года технология oneFactor позволяет не только исполнять алгоритмы машинного обучения в анклаве, но также их тренировки внутри анклава Intel SGX. Теперь исполняемый код — алгоритм машинного обучения, генерируется непосредственного в анклаве с помощью инновационных методов. Технология была запатентована компанией oneFactor на территории Российской Федерации в мае 2019 года. На данный момент к платформе уже подключен ряд крупнейших по объему розничного кредитования российских банков.</p><p>С помощью технологии Intel SGX решение oneFactor позволяет обрабатывать полностью зашифрованные данные в апаратно-защищенной среде. Технология предоставляет возможность конфиденциально объединять данные разных компаний и индустрий в едином вычислительном облаке, а затем использовать их в рекомендательных сервисах на базе искусственного интеллекта. Особенностью платформы SmartMachine является высокий уровень защиты исходных данных от компрометации на аппаратном уровне, поскольку их «видит» только алгоритм машинного обучения. К данным нет доступа даже у администраторов системы или поставщика облачных сервисов, что подтверждено независимым аудитом с участием компаний, подключивших свои данные к платформе. Изоляция данных в анклаве SGX обеспечивает дополнительную защиту от несанкционированного внешнего или внутреннего доступа. Это первое в России коммерческое применение технологии обеспечения конфиденциальности данных для тренировки алгоритмов машинного обучения в решении для финансового сектора.</p><p>Новое решение позволяет повысить качество рекомендаций с применением алгоритмов машинного обучения на 20–35% по сравнению с раздельной обработкой данных. Такой существенный прирост производительности обеспечивается за счет комбинации данных различных типов и обучения алгоритмов в зашифрованном виде. С помощью платформы банки могут дополнительно улучшить качество сервисов и обслуживания своих клиентов: от противодействия телефонному мошенничеству до полностью автоматической верификации кредитных заявок.</p><p>Технология не ограничивает количество или категории данных, которые могут быть подключены к платформе. Она позволяет за несколько дней запустить сервисы искусственного интеллекта как для владельцев данных, использующих платформу, так и для коммерческих заказчиков: банков, страховых компаний, ретейлеров, площадок электронной коммерции.</p><p><em>«Наше партнерство с Intel позволило не только разработать уникальную технологию обучения моделей внутри анклавов SGX, обеспечивающее дополнительную конфиденциальность клиентских данных, но и существенно сократить цикл создания новых моделей на платформе oneFactor всего до нескольких часов. Сокращение Time-to-Market позволяет компаниям, которые выпускают или внедряют новые решения, быть на шаг впереди рынка и получать дополнительную прибыль», — </em><strong><em>комментирует директор по продуктам и аналитике oneFactor Максим Воеводский</em></strong><em>. — Надеемся, что наша разработка промотивирует всех участников рынка к инвестициям в обеспечение защиты данных».</em></p><p><strong>Подробнее читайте на </strong><a href="https://habr.com/ru/company/intel/blog/560598/"><strong>Хабре</strong></a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=eba5cf5cef8e" width="1" height="1" alt=""><hr><p><a href="https://medium.com/onefactor-russia/onefactor-%D0%B2-19-%D1%80%D0%B0%D0%B7-%D1%83%D1%81%D0%BA%D0%BE%D1%80%D0%B8%D0%BB-%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5-%D0%B0%D0%BB%D0%B3%D0%BE%D1%80%D0%B8%D1%82%D0%BC%D0%BE%D0%B2-%D0%BD%D0%B0-%D0%BF%D0%BB%D0%B0%D1%82%D1%84%D0%BE%D1%80%D0%BC%D0%B5-smartmachine-%D0%B4%D0%BB%D1%8F-%D0%BC%D0%B0%D0%BA%D1%81%D0%B8%D0%BC%D0%B0%D0%BB%D1%8C%D0%BD%D0%BE-%D0%B1%D1%8B%D1%81%D1%82%D1%80%D0%BE%D0%B3%D0%BE-eba5cf5cef8e">oneFactor в 19 раз ускорил обучение алгоритмов на платформе SmartMachine для максимально быстрого…</a> was originally published in <a href="https://medium.com/onefactor-russia">oneFactor (Russia)</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[oneFactor впервые реализовал обучение алгоритмов машинного обучения внутри анклавов Intel® SGX на…]]></title>
            <link>https://medium.com/onefactor-russia/onefactor-%D0%B2%D0%BF%D0%B5%D1%80%D0%B2%D1%8B%D0%B5-%D1%80%D0%B5%D0%B0%D0%BB%D0%B8%D0%B7%D0%BE%D0%B2%D0%B0%D0%BB-%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5-%D0%B0%D0%BB%D0%B3%D0%BE%D1%80%D0%B8%D1%82%D0%BC%D0%BE%D0%B2-%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE-%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F-%D0%B2%D0%BD%D1%83%D1%82%D1%80%D0%B8-%D0%B0%D0%BD%D0%BA%D0%BB%D0%B0%D0%B2%D0%BE%D0%B2-intel-sgx-%D0%BD%D0%B0-d681fccf95ad?source=rss----d7f0bc428046---4</link>
            <guid isPermaLink="false">https://medium.com/p/d681fccf95ad</guid>
            <category><![CDATA[onefactor]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[машинное-обучение]]></category>
            <category><![CDATA[intel]]></category>
            <category><![CDATA[big-data]]></category>
            <dc:creator><![CDATA[1F team]]></dc:creator>
            <pubDate>Thu, 08 Apr 2021 13:50:12 GMT</pubDate>
            <atom:updated>2021-05-27T10:25:25.218Z</atom:updated>
            <content:encoded><![CDATA[<h3><strong>oneFactor впервые в России реализовал обучение алгоритмов внутри анклавов Intel® SGX на своей платформе машинного обучения SmartMachine</strong></h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/820/1*OqL3Ui68FIqjzfXcjV97cA.jpeg" /></figure><p><em>oneFactor впервые в России реализовал тренинг алгоритмов внутри анклавов Intel® Software Guard Extensions (Intel® SGX) на своей платформе для быстрого создания максимально точных сервисов машинного обучения SmartMachine. Ранее платформа позволяла применять в анклаве только алгоритм, построенный вовне. Теперь у аналитиков банков, которые напрямую работают с ML-платформой oneFactor, есть возможность обучать модели непосредственно в анклаве, что существенно сокращает время вывода готовой аналитики, с нескольких дней до считанных минут.</em></p><p>Новое решение позволит повысить качество рекомендаций с применением алгоритмов машинного обучения на 20–35% по сравнению с раздельной обработкой данных, и ускорить ML-цикл, занимающий теперь всего несколько часов работы аналитика. Такой существенный прирост производительности обеспечивается за счет комбинации данных различных типов и обучения алгоритмов в зашифрованном виде.</p><p>Технология Intel®️ Software Guard Extensions (Intel®️ SGX) обеспечивает аппаратное шифрование данных, изолируя код приложения и данные в защищенной области памяти (анклаве). Intel®️ SGX позволяет защищать такие анклавы от системных процессов, выполняемых с более высокими уровнями привилегий. Благодаря аттестации, предоставленной Intel®️ SGX, клиенты oneFactor могут быть уверены, что код приложения, осуществляющий доступ к личным данным, был проверен и одобрен.</p><p><strong>Подробнее о платформе.</strong> oneFactor разработал технологию конфиденциального объединения данных с использованием аппаратного решения SGX в конце 2018 года. Платформа SmartMachine запущена в промышленную эксплуатацию в конце 2020 года. С марта 2021 года технология oneFactor позволяет не только исполнять алгоритмы машинного обучения в анклаве, но также их тренировки внутри анклава Intel® SGX. Теперь исполняемый код — алгоритм машинного обучения, генерируется непосредственного в анклаве с помощью инновационных методов. Технология приложения алгоритмов машинного обучения к объединенным данным нескольких компаний с использованием Intel SGX была запатентована компанией oneFactor на территории Российской Федерации в мае 2019 года. На данный момент к платформе уже подключен ряд крупнейших по объему розничного кредитования российских банков.</p><p>С помощью технологии Intel® SGX решение oneFactor позволяет обрабатывать полностью зашифрованные данные в апаратно-защищенной среде. Технология предоставляет возможность конфиденциально объединять данные разных компаний и индустрий в едином вычислительном облаке, а затем использовать их в рекомендательных сервисах машинного обучения. Особенностью платформы SmartMachine является высокий уровень защиты исходных данных от компрометации на аппаратном уровне, поскольку их «видит» только алгоритм машинного обучения. К данным нет доступа даже у администраторов системы или поставщика облачных сервисов, что подтверждено независимым аудитом с участием компаний, подключивших свои данные к платформе. Изоляция данных в анклаве SGX обеспечивает дополнительную защиту от несанкционированного внешнего или внутреннего доступа. Это первое в России коммерческое применение технологии обеспечения конфиденциальности данных для тренировки алгоритмов машинного обучения в решении для финансового сектора.</p><p>Тесты показали, что при использовании объединенных данных качество выявления мошенничества на 20–35% выше, чем при раздельной обработке данных. Теперь с помощью платформы банки могут дополнительно улучшить качество сервисов и обслуживания своих клиентов: от противодействия телефонному мошенничеству до полностью автоматической верификации кредитных заявок.</p><p>Технология не ограничивает количество или категории данных, которые могут быть подключены к платформе. Она позволяет за несколько дней запустить сервисы машинного обучения как для владельцев данных, использующих платформу, так и для коммерческих заказчиков: банков, страховых компаний, ретейлеров, площадок электронной коммерции.</p><p><em>«Технология Intel SGX помогает защищать конфиденциальность информации даже в случае несанкционированного доступа злоумышленников к платформе, — отметил </em><strong><em>Сергей Жуков</em></strong><em>, директор по развитию корпоративного бизнеса Intel в России. — Передовой опыт компании oneFactor в области машинного обучения позволил создать инновационную платформу для совместных вычислений для банковского сектора, которая обеспечивает высокий уровень конфиденциальности и защиты данных».</em></p><p><em>«Я рад что нам удалось создать решение с сохранением приватности клиентских данных для промышленных процессов использования технологий машинного обучения, которые сейчас применяют множество компаний — от банков до ретейла, но к сожалению, не задумываясь о приватности и безопасности. Уверен, что это подтолкнет всех участников рынка к инвестициям в обеспечение защиты данных и будет являться драйвером роста всего рынка искусственного интеллекта», — комментирует генеральный директор и основатель oneFactor </em><strong><em>Роман Постников.</em></strong></p><p><strong>Справочная информация:</strong></p><p>oneFactor — разработчик специализированной платформы сервисов искусственного интеллекта для операторов связи, которая позволяет быстро запускать сервисы искусственного интеллекта для автоматизации бизнес-процессов в различных секторах экономики — от банков до ресторана у дома. oneFactor — первая российская компания-разработчик программного обеспечения, которая вошла в ключевое международное IT-исследование Gartner “Cool Vendors” для операторов связи за разработку платформы.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d681fccf95ad" width="1" height="1" alt=""><hr><p><a href="https://medium.com/onefactor-russia/onefactor-%D0%B2%D0%BF%D0%B5%D1%80%D0%B2%D1%8B%D0%B5-%D1%80%D0%B5%D0%B0%D0%BB%D0%B8%D0%B7%D0%BE%D0%B2%D0%B0%D0%BB-%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5-%D0%B0%D0%BB%D0%B3%D0%BE%D1%80%D0%B8%D1%82%D0%BC%D0%BE%D0%B2-%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE-%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F-%D0%B2%D0%BD%D1%83%D1%82%D1%80%D0%B8-%D0%B0%D0%BD%D0%BA%D0%BB%D0%B0%D0%B2%D0%BE%D0%B2-intel-sgx-%D0%BD%D0%B0-d681fccf95ad">oneFactor впервые реализовал обучение алгоритмов машинного обучения внутри анклавов Intel® SGX на…</a> was originally published in <a href="https://medium.com/onefactor-russia">oneFactor (Russia)</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>