Az Apple új ambíciója, hogy miután éveken keresztül több infokom nagyvállalat mögött kullogott a mesterségesintelligencia-fejlesztésekben, ezen a területen is átvegye a vezető szerepet, termékeit a legjobb gépitanulás-megoldások működtessék.

A cég MI-részlegét irányító John Giannandrea 2018 áprilisában igazolt át a Google-tól (ahol szintén ezt a pozíciót töltötte be), és egy friss interjúban elmondta, hogy a legjobb gépitanulás-alkalmazások a felhasználó személyiségi jogait (privacy) maximálisan figyelembe vevő, illetve a készülékre fókuszáló megközelítésből születnek. A technológiát termékek és szolgáltatások széles választékába igyekeznek integrálni.

Az Apple köztudottan komoly marketingtevékenységet fejt ki kiterjesztett valóság (augmented reality, AR) alkalmazásai és személyes digitális asszisztense, Siri népszerűségének növeléséért. Most már ugyanez érvényes a mesterségesintelligencia-megoldásokra, például a készülékek energiafogyasztását a felhasználó szokásai szerint kezelő, vagy egymást követő fotókat egyetlen nagyfelbontású képbe rendező programokért.

Más gyártókhoz (Google, Huawei, Qualcomm, Samsung) hasonlóan az almás cég is speciális chipet fejlesztett, amelyen okostelefonok, tabletek és okosórák mesterségesintelligencia-szoftverei futnak. Például az Apple Watchra a szakszerű kézmosást támogató alkalmazás is került, természetesen MI-vel, a háttérben.

Idén a laptopokra szintén sor kerülhet.

Riválisaitól viszont élesen megkülönbözteti az Apple-t, hogy a feladatok számítási felhőben történő kivitelezése helyett a Neural Engine nevű chip alrendszer a készülékekben végzi el a gépi tanulással kapcsolatos legtöbb munkát. Az adatok ottani feldolgozásával egyrészt a privacy nagyobb védelemben részesül, másrészt a késleltetés is csökken, és a szoftver kvázi valósidőben működik.

Annak ellenére, hogy az Apple folyamatosan kiáll a privacy mellett, anonim adatokat gyűjt és címkéz fel, sőt a felhasználókhoz is fordul ilyen jellegű kérésekkel. „Szeretné-e, ha Siri jobban működne, tenne-e érte?” – hangzik az adatadományozásra ösztönző kérdés.

A cég több tucat MI-állást hirdetett meg, ugyanakkor MI-technológiái zömét egyelőre másoktól szerzi be. Siri 2010-es felvásárlása óta versenytársainál több, legalább 20 gépitanulás-startupot vásárolt fel.

A felismerőtechnológiák dinamikusan fejlődnek. A beszédre specializált botok egyre jobban végzik a munkájukat, gépi tanulással csiszolódott programok tárgyakat, állatokat stb. azonosítanak, míg az arcfelismerés ma már sok jogi vitát generál.

De mi van a mindennapokban oly gyakran használt kézmozdulatokkal, hogyan boldogulnak velük a gépek, miként találják ki, hogy mit akarunk gesztusainkkal kifejezni, képesek-e egyáltalán rá?

Mert, ha nem, akkor még a legkifinomultabb mesterséges intelligenciák sem tudják feldolgozni az emberi kommunikáció egyik alapvető aspektusát. Eddig legalábbis így volt, de változik a helyzet.

A sebészetben használt robotok, az egészségfigyelő műszerek és egyes játékrendszerek komoly előrelépést jelentettek ezen a téren is, de valami mindig hiányzott.

A szingapúri Nanyang Műszaki Egyetem (NTU) egyik kutatócsoportja viszont bőrszerű elektronikai megoldást és gépi látást összekombinálva, kézmozdulatokat felismerő mesterségesintelligencia-rendszert fejlesztett.

Az eddigi legfőbb problémát a rendszerbe táplált pontatlan adatok jelentették. Ezek az adatok általában magunkon viselhető, a felhasználóval összevissza kontaktusban lévő szenzorokból érkeznek. Sok objektum eleve nem látható és a gyenge megvilágítás is okozhat gondokat. A szenzorikus és a vizuális adatok integrálása további problémákat okozhat.

Mozgásrögzítés (motion capture) alapú kesztyűket szintén használnak térbeli adatok, például kézmozdulatokra vonatkozó információk gyűjtéséhez. Ezek a megoldások is nehézkesek, és a szingapúri kutatók úgy döntöttek, hogy szakítanak a robotikából ellesett módszerekkel, inkább a felhasználó kezére passzoló, nyúlékony szenzorokat alkalmaznak helyettük. A biológia ihlette meg őket – szén nanocsövekből készült érzékelőik az emberi bőrre emlékeztetnek.

A rendszer lényege az emberi bőrhöz hasonló érzékelés és a látvány emberi agyhoz hasonló feldolgozása. A kutatók az MI-t három idegháló-megközelítés egyesítésével dolgozták ki. Az eredmény magáért beszél: sokkal jobban felismeri a kézmozdulatokat, mint bármelyik korábbi rendszer. Mind a vizuális, mind a szenzorikus adatok pontosabbak.

A megoldás távolról sem tökéletes, viszont úgy tűnik, az MI legalább érti a gesztusokat. Labirintusban csupán kézmozdulatokkal vezéreltek egy robotot, és a gép sikeresen keresztülment rajta.

Amikor a diákok az őszi tanévkezdéskor visszatérnek (ha visszatérnek) az iskolába, az osztálytermekbe, minden más lesz, mint a Covid-19 előtt volt. És nemcsak azért mert tanárok, tanulók egyaránt maszkot fognak viselni.

Egyes diákoknak hőkép-készítő kamerák mérik a testhőmérsékletét, mások jeladót hordanak, hogy mozgásuk az oktatási intézmény falain belül követhető legyen.

De lesznek kevésbé látványos változások is, például biztonsági kamerák figyelik majd, hogy ki vette le a maszkot, a tanulók milyen közel tartózkodnak egymáshoz, megszegik-e a közösségi távolságtartás (social distancing) szabályait.

A koronavírus-járvány a megfigyelő-technológiák új hullámát indította el, többet kifejezetten oktatási intézményekre találtak ki. Rendeltetésük, hogy a fertőzések terjedésének megállításában segítsenek.

Több kérdés, aggály merül fel velük kapcsolatban. Működnek egyáltalán? Hamis biztonságérzetet teremtenek? És talán a legfontosabb: mi lesz a sorsuk, használatban maradnak-e, ha véget ér a járvány?

Egyes új megoldások kétségtelenül javítani fogják az iskolák biztonsági rendszereit. A Motorola Solutions biztonsági és kommunikációs technológiáit máris többezer amerikai oktatási intézményben telepítették. A cég viszont kifejezetten járványügyi szempontból, a meglévő kamerákkal kompatibilis mesterséges intelligenciát fejlesztett, rendeltetése a maszkviselés ellenőrzése lesz.

„Többhónapos munkával különféle típusú maszkokról összegyűjtött adatokkal dolgozva, betanítottunk egy mesterséges ideghálót, hogy megállapítsa, mikor vannak ezek a maszkok a diákok arcán, és mikor nem” – magyarázza Makesh Saptharishi, a Motorola Solutions kutatója.

A cég kontaktkutatásra szintén fejlesztett szoftvert. A program fizikai tulajdonságjegyeket, többek között a testmagasságot, ing színét stb. detektálva végzi munkáját.

A Raptor Technologies automatizált rendszerén úgy módosította – javította fel –, hogy az belépéskor személyes egészségügyi kérdéseket tegyen fel.

Egyes kutatók attól tartanak, hogy ezek a rendszerek a Covid-19 után is az oktatási intézményekben maradnak, és például megállapítják, hogy ki lóg, ki nem.

„Sokszor fordult már elő, hogy speciális célból bevezetett intézkedések az ok megszűnése után is érvényben maradtak” – fejezte ki aggályát Ryan Calo, a Washington Egyetem jogprofesszora.

A Vodafone, az Egyesült Királyság Környezet-, Élelmiszer- és Vidékügyi Minisztériuma, és az Erdőkutatás Intézet egyesítették erőiket, hogy a fák szerepét vizsgálják a klímakatasztrófa elleni küzdelemben.

A telekommunikációs óriásvállalat dolgok internete (Internet-of-Things, IoT) technológiáját vetik be, készülékeket három hónapra fákhoz erősítenek. A három hónap alatt a hőmérsékletről, nedvességről, az adott fa növekedéséről és a talaj nedvességtartalmáról küldenek folyamatosan adatokat a kutatóknak.

Az IoT-technológia lehetővé teszi, hogy a tudósok erdők általában nehezen és költségesen megközelíthető részeit monitorozzák. Céljuk a fák széntároló lehetőségeinek tanulmányozása, hogy mennyire használhatók a klímakatasztrófa elodázásában, hatásainak csökkentésében.

Az eredményekről egyrészt a döntéshozókat, másrészt a széleskörű nyilvánosságot is tájékoztatják, beszámolnak a fák növekedésének környezetre gyakorolt hatásairól.

A közös munkát azt követően döntötték el, hogy a minisztérium bejelentette: 2025-ig az országban 30 ezer hektárra növelnék az elültetett fák területét.

„A fák a klímakatasztrófa elleni küzdelem és a biológiai sokszínűség egyedi természeti forrásai. Az együttműködés során a legújabb IoT-technológiákat használjuk, hogy jobban megértsük a változások erdőinkre gyakorolt hatását” – jelentette ki Malcolm McKee, a minisztérium főmérnöke.

„A klímakatasztrófa kezeléséhez radikális gondolkodás kell, amelyben erdőink kulcsszerepet játszanak. Technológiánkkal lehetővé válik a fák összekapcsolása, teljesítményük monitorozása. Tökéletes példa a technológia újfajta felhasználására, segít kialakítani a fenntarthatóbb jövőt” – magyarázza Anne Sheehan, a Vodafone Business UK igazgatója.

A Vodafone-nál nem ez az egyetlen „környezeti” újdonság. A cég ugyanis nemrég jelentette be, hogy egy éven belül teljes európai hálózatát 100 százalékban megújuló energiával üzemelteti.

A mostani projekt forradalmasíthatja a jövő természetvédelmi kutatásait, tudósokat az adatgyűjtés és -feldolgozás új lehetőségeivel ismerteti meg. Az IoT segítségével ráadásul több adathoz is jutnak hozzá.

Ha sikeresek lesznek, a technológiát és az együttműködést a környezetvédelem más területeire szintén kiterjeszthetik.

Amerikai kutatók kimutatták, hogy az agy speciálisan tervezett fülhallgatókon keresztül történő enyhe elektromos stimulálásával felnőttek jobban felismerik idegen nyelvek hangjait. A hatás a stimulálás megszűntével is megmaradt.

Az ember egyrészt remekül tanul érzékszervi észlelései útján, másrészt komoly irodalma van annak a jelenségnek, hogy felnőtt korunkban meggyűlik a bajunk a nem-anyanyelvi beszédkategóriákkal.

A bolygóideg stimulálásával a tesztalanyok jobban felismerték és megkülönböztették egymástól a mandarin nyelv négy különböző hangját, ami azért figyelemre méltó, mert a tonális nyelveket nem használó angol anyanyelvűeknek ez nagyon komoly problémát jelent. (A tonális nyelveknél, például a legtöbb ázsiai nyelv esetében a hangok magassága a mérvadó.)

A Pittsburgh Egyetem és más felsőoktatási intézmények által végzett kutatás során a stimulálásban részesülő csoport 13 százalékkal jobb teljesítményt ért el azoknál, akiknek nem serkentették az agyát.

A perifériális idegrendszer nem invazív stimulálásával a nyelvtanulás potenciálisan könnyebb, és ezzel a kognitív teljesítmény is több területen javítható – emelte ki Fernando Llanos, a kutatást ismertető tanulmány elsőszámú szerzője.

A hatás általánosítható, és így – a kutatók szerint – megtanulhatók idegen nyelvek hangmintázatai.

„Az emberek általában elbátortalanodnak a kemény nyelvtanulástól. Viszont, ha valaki már az első órán 13-15 százalékkal jobb eredményt ér el, valószínűbb, hogy folytatja” – nyilatkozta a San Franciscói Kaliforniai Egyetemen oktató Matthew Leonard, a tanulmány társszerzője.

A kutatók a tanulás további bővítésén dolgoznak, újabb stimulációikkal még nehezebben megkülönböztethető hangok, hangzások felismerésére serkentenék az agyat.

Az agy ugyanazon területét, a bolygóideget korábban epilepsziások esetében, valamint depresszió és gyulladásos betegségek kezelésénél vizsgálták. Ezek a kezelések azonban invazívak, mint a jelen eset fülhallgatója.

A kutatók hangsúlyozzák: nem invazív és biztonságos módon érnek el robusztus tanulási hatásokat. Bizakodnak, hogy technológiájuk alkalmazások szélesebb spektrumán, például az egészségügyben, stroke utáni rehabilitációnál is működni fog.

A Nvidia GPU-i (grafikus feldolgozó egységei) voltak az első gépitanulás-chipek, és mivel másodpercenként nagymennyiségű lebegőpontot képesek feldolgozni, vezetik is a piacot.

Egyes startupok, például a Cerebras, a Graphcore és az Intel által decemberben felvásárolt Habana, valamint a Google Cloud is piacvezetővé kívánnak válni, és egyre komolyabban veszélyeztetik a Nvidia első helyét.

Az utóbbi idők tesztjeiből kiderült: a speciálisan mesterséges intelligencia-megoldásokra fejlesztett chipek egyre gyorsabbá válnak, hamarabb tanítanak be ideghálókat.

A gépitanulás-feladatok hardverteljesítményére szabványokat fejlesztő MLPerf szervezet nyilvánossá tette harmadik mérceszint-versenyének eredményeit. A Nvidia utolsó terméke a listavezető, viszont a Google hamarosan bemutatásra kerülő, de hivatalosan még nem működő hardvere magasabb pontszámokat ért el, mint a Nvidia.

Az MLPerf azt méri, hogy különféle hardverkonfigurációknak mennyi ideig tart egyes gépitanulás-modellek begyakoroltatása. A feladatok között tárgydetektálás, képosztályozás, nyelvi fordítás, ajánlások és megerősítéses tanulás-célok szerepelnek.

Kilenc szervezet rendszerei átlagban 2,7-szer gyorsabban gyakoroltattak be modelleket, mint a novemberi teszteken. A teljesítménynövekedés egyértelműen jelzi, hogy milyen gyorsan fejlődnek a mesterségesintelligencia-hardverek, és persze az azokon futó szoftverek, például fordítóprogramok is.

A Nvidia 40 különböző konfigurációval vett részt az utolsó teszten. A kereskedelmi forgalomban hozzáférhető rendszerek közül az A100 GPU-n alapulók érték el a legmagasabb pontszámokat.

Ugyan még nincs a piacon, de nyolc feladatból hatban a Google negyedik generációs tenzorfeldolgozó egysége (TPU) teljesített a legjobban, amelynek a korábbi változatai elérhetők a Google Cloud platformon. A versenyen egyébként az Alibaba, a Fujitsu, az Intel, az Inspur, a Senzsen Intézet és a Tencent vett részt.

Érdekes módon, az ideghálók két „új lóerője”, a Cerebras és a Graphcore viszont kihagyta.

A gépi tanulással foglalkozó szakemberek gyorsabb és hatékonyabb energiahasználatú hardvereken dolgozhatnak, a gépteljesítmény értékeléséhez viszont az első tesztjeivel két éve jelentkező MLPerfhez hasonló konzisztens mértékek kellenek. Akkor még órák kellettek sok modell trenírozásához, ma viszont gyakran már csak másodpercek.

A felhasználó mozgását megtanuló műláb komoly előrelépés, mert amputált személyek sokkal természetesebben járhatnak, ritkábban fordul majd elő, hogy elesnek valamiben.

A Utah Egyetem kutatói pont ilyen szerkezeten dolgoznak. Az általuk fejlesztett robotláb gépi tanulás segítségével generál emberszerű lépéseket. Viselőjét akadályok elkerülésében is segíti, egyszerűen és teljesen természetesen átlép felettük.

Nem próbálja felismerni a felhasználó útját hátráltató akadályokat, hanem (helyette) az illető teste által kiadott jelzések alapján dönt. Az adott személy csípőjén lévő szenzorok másodpercenként ezerszer küldenek erre vonatkozó adatokat a szerkezet vádlijánál lévő feldolgozóegységnek. Például, az alapján, ahogy forgatjuk a csípőnket, a rendszer a térd behajlítását sugallhatja a lábaknak, mert így elkerüli, hogy belebotoljunk egy akadályba.

A boka és a comb által bezárt szögek, valamint a művégtagra nehezedő nyomás alapján dönti el, hogy mikor és hogyan kell behajlítani a térdet. Egy másik modell pedig akkor lép működésbe, amikor a művégtag sebessége és az említett szögek elérnek egy pontot. Ezzel a modellel akarják elkerülni a hirtelen mozdulatokat.

A művégtag megerősítéses tanulással dolgozik, mozgását e technika segítségével alkalmazza a felhasználó járásához.

A fejlesztés egyértelművé teszi, hogy a mesterséges intelligenciával irányított művégtagokat a felhasználók jobban tudják kezelni, és nagyobb a művégtagok feletti kontrolljuk.

A Utah Egyetem kutatói nincsenek egyedül.

A Michigani Egyetemen a térd és a boka mozgását elemezve, a felhasználó csípőizmainak tevékenységét a utahi fejlesztőkéhöz hasonló módszerrel előrejelző, nyílt forrású bionikus lábat dolgoztak ki.

2018-ban két kanadai diák kamerával felszerelt, gépi látást alkalmazó, azzal tárgyakat detektáló műkarja nyerte meg a Microsoft egyik díját (Imagine Cup). A szerkezet tud markolni, és a markolás finomhangolására is képes.

A Lausanne-i Szövetségi Műszaki Főiskola (EPFL) mechanikus karja a felhasználó izomtevékenységének mintázataiból tanul meg általános mozdulatokat. 

Az internetre kapcsolódó sütők, vízmelegítők, légkondicionálók és más nagyfogyasztású berendezések az energiaigények módosításának céljából is megtámadhatók, és a támadás következtében az árak változásával komoly károk okozhatók szabályozatlan piacokon – figyelmeztet a Georgia Tech friss tanulmánya.

Ha a meghackelt készüléket ki- és bekapcsolgatjuk, az igények mesterségesen növelhetők, illetve csökkenthetők. Botnetek így sokat segíthetnek gátlástalan szolgáltatóknak, beszállítóknak, akik komoly versenyelőnyre tehetnek szert. De az is elképzelhető, hogy egy ország velük okoz kárt egy másik állam energiapiacán.

Ha a változások bizonyos keretek között maradnak, rendkívül nehéz kideríteni egy ilyen támadást, és szinte nem is lehet megkülönböztetni a normális működés keretein belüli hibalehetőségektől.

A számunkra kedvező árváltozással nagyjából arról van szó, mintha egy nappal előre tudnánk, mi fog történni a tőzsdén.

A botnetek különösen a sokezer berendezésből összeálló dolgok internetében (Internet-of-Things, IoT) okozhatnak kárt. A támadó átveszi a hálózat feletti uralmat. Volt már példa hasonlóra, amikor internetre kapcsolódó kamerák és routerek eltérítésével veszélyeztették az online infrastruktúrát.

Az „IoT fölöző” néven ismert támadást a piac eredményes energiaellátást biztosító deregulációja teszi lehetővé. A szolgáltatók a jövőbeni kereslet és energiavásárlás előrejelzésével igyekeznek versenyképes árakkal kiszolgálni az igényeket. Ha az előrejelzések hibásak, jelentősen módosulhat a piac.

A kutatók nem tudták megállapítani, hogy történt-e már ilyen támadás. Azért nem, mert az IoT-berendezések, amellett, hogy nem biztonságosak, nem rendelkeznek monitoring funkciókkal.

Viszont az USA legnagyobb energiapiacai közül kettő, Kalifornia és New York valós adatait használva, kiértékelték egy hasonló támadás kivitelezhetőségét. Szimulációkkal, matematikai elemzésekkel kimutatták, hogy megvalósítható, és feltételezhető a célra alkalmas botnetek létezése, amelyeket egyébként nem is kell birtokolni, mert elég, ha a támadó bérel egyet a „sötét weben.”

Észak-Amerikában több mint 20 millió, nagyfogyasztású berendezésre (fűtőtest, légkondicionáló stb.) kapcsolódó „okos” termosztátot használnak. Ha a hacker kontrollálja őket, és csak minimálisak a változások, a fogyasztó semmit nem érzékel belőlük.

A kutatók megelőző lépéseket, integrált monitorozó rendszereket, az adatokhoz való hozzáférés szigorítását javasolják.

Az Intel, az MIT (Massachusetts Institute of Technology) és a Georgia Tech kutatóival együttműködve, két kóddarab hasonló tevékenységét kimutató automatizált motort fejlesztett. Az MISIM (Machine Inferred Code Similarity) még azokban az esetekben is elvégzi feladatát, ha a kóddarabok különböző szerkezeteket és algoritmusokat használnak.

MISIM sokkal hatékonyabban dolgozik, mint a mai legfejlettebb rendszerek, akár negyvenszer jobb teljesítményre képes. A jövőben kódajánlásoknál, automatizált hibajavításnál és más alkalmazásokban is számítanak rá.

A heterogén számítások, például az egynél több processzort használó rendszerek térhódításával a szoftverplatformok hihetetlenül komplexszé válnak. A gépi programozás automatizált, mesterséges intelligencia vezérelte eszközökkel igyekszik kezelni a problémát. A kódhasonlóság, azaz annak a ténynek a megállapítása, hogy két kóddarab hasonló tulajdonságokkal rendelkezik, vagy hasonló feladatokat hajt végre, az egyik kulcsmegoldás. Hatékony rendszereket viszont még alig építettek ezen a területen.

Az MISIM kontextus-tudatos szemantikai szerkezete (CASS) miatt eredményes. Mihelyst a kódszerkezetet a CASS-be integrálták, algoritmusok a kód munkája alapján hasonlóság-pontokat osztanak ki. Ha két kóddarab különbözőnek látszik, de ugyanazt a funkciót töltik be, a modell hasonlónak tartja őket.

A CASS úgy is konfigurálható, hogy specifikáljuk a kontextust, és így észleli a kódot magasabb szinten leíró információt. A kódot (más gépi nyelvre átültető) fordítóprogram nélkül is képes osztályozni, amivel megkönnyíti a fejlesztők munkáját.

Az Intel bővíteni szándékszik az MISIM funkcióit, az architektúrában programozó kutatókat hatékonyan segítő kódajánlót akar belőle csinálni. A rendszer felismeri az algoritmusok céljait, és szemantikailag hasonló, de jobb teljesítményű kódvariánsokat kínál fel.

Sok fejfájástól kíméli meg a fejlesztőket és más szakembereket. A Cambridge Egyetem felmérése alapján a programozók munkaidejük 50,1 százalékát programozáson kívüli tevékenységgel, míg a programozásra fordított idő felét hibajavítással töltik. Utóbbi összesen évi kb. 312 milliárd dollárba kerül. MISIM csökkenti a költségeket, a programozók pedig kreatívabb tevékenységekre összpontosíthatnak.

„Ha sikeresek leszünk a gépi programozással, egyik végső célunk, hogy a Föld lakossága képes legyen szoftvert alkotni” – nyilatkozta Justin Gottschlich, az Intel Labs gépiprogramozás-kutatásokat vezető tudósa.

A Covid-19 egyértelművé tette: csökkenteni kell a pénzügyi rendszer központjaitól való globális függést, mindenhol könnyebbé kell tenni az értékteremtést, és nemcsak a csomópontok, hanem a perifériák közötti kereskedést is támogatni kell.

A FinTech (pénzügyi technológia) a pénzügyi rendszer szerkezeti megerősítésének kulcsa, a szakterületi újítások különleges gazdasági és társadalmi előnyökkel járnak, a bankolásból kimaradó vagy azt kezdetleges körülmények között gyakran elhanyagoló lakosságszegmensek általuk kapcsolódnak a digitális gazdasághoz, növekednek a kisvállalkozások, új módszerekkel bővülnek a fogyasztók lehetőségei.

Ha az új Fintech szolgáltatásoknak alkalmazkodniuk kell a gazdasági felépülés gyors tempójához, meg kell bíznunk bennük, el kell hinnünk, hogy javaink védettek. A cyberbiztonság a bizalom alapkövetelménye.

A digitális valóság és a tőle való függésünk egyaránt nő, és a növekedés miatt biztonsági szükségleteinket folyamatosan, időben át kell gondolni.

A FinTech forradalom változatos biztonsági szintű szervezeteket köt össze. A csalók és bűnözők jelentette veszélyt az intézményeknek közösen kell kezelniük. Ezek a technológiák sokféleképpen tehetők biztonságossá, és nem mindig egyértelmű, mikor melyik keret nyújtja a legmagasabb szintű védelmet.

A jól bejáratott pénzügyi szolgáltatók többféle tesztre-kész keretet, szabványt és az iparág által vezérelt iniciatívát kínálnak. Utóbbiból rengeteg van, sok minősége vitatható. Ezért nehéz a FinTech erőforrásokat úgy kezelni, hogy a biztonság is meglegyen, és a kereskedelmi partnerségek elé se gördüljenek akadályok. Az elvárások miatt nőnek a költségek, kevésbé ellenőrizhető obskúrus cégek léphetnek elő új megoldásokkal. Ők azzal érvelnek, hogy túl kicsik a rosszfiúk támadásaihoz.     

A megoldás a cyberbiztonság alapszintű kontrollmechanizmusairól szóló kölcsönös megértés lehet. Ha ez a szint áttekinthető, akkor a szélesebb ellátási láncon is megoldhatóbb a védelem, amelynek következtében hamarabb nyélbe üthetők partnerségek.

A Világgazdasági Fórum ezzel kapcsolatos ajánlásokat fogalmazott meg és tett közzé. Lehetővé válik általuk, hogy a magánszektor és az állami szereplők együtt dolgozzanak ki a jelenlegi kereteken alapuló megoldásokat.

A gyerekcipőben járó FinTech megoldásokhoz közös cyberbiztonsági keret és értékelő folyamatok szükségesek, a további fejlődéssel lépésről lépésre kell majd, például egyre komplexebb, a technológia, a fenyegetések és az üzleti modellek változásaira reagáló kontrollmechanizmusok beépítésével alkalmazkodni.

A FinTechben benne van a lehetőség, hogy a Nagy Újraindítás közbeni újítások hajtóereje legyen.