Implementa secure computation para análisis colaborativo entre fintech LATAM
Visión general
De qué trata este proyecto.
Implementa suma agregada, media privada y detección de fraude con 3 datasets sintéticos de fintech. Recibe un certificado verificable.
El Briefing
Lo que harás y lo que demostrarás.
Prototipar un análisis colaborativo de fraude entre 3 fintech con SMPC, midiendo overhead, y entregar informe para el grupo regulatorio.
Earning criteria — what you'll demonstrate
- Aplicar secure multi-party computation a un caso real entre partes que no se confían
- Comprender el trade-off seguridad/coste en SMPC
- Diseñar análisis colaborativos manteniendo soberanía de datos
- Comunicar viabilidad técnica a un grupo regulatorio con vocabulario adecuado
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Privacy-Preserving Machine Learning
Master · Ai Ml
Fit score: 1
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Trayectorias profesionales que esto construye
Roles canónicosInvestigador/a en Seguridad de IA
Aplicar SMPC a un caso real entre partes que no se confían es trabajo de frontera del AI safety researcher en fintech.
Este proyecto afina
- secure-computation
- smpc
- privacy-preserving-ml
Arquitecto/a de Soluciones de IA
Diseñar arquitecturas colaborativas con garantías criptográficas es competencia del solutions architect en sectores con datos sensibles y múltiples partes.
Este proyecto afina
- system-design
- secure-computation
- smpc
Investigador/a en ML
Investigar el trade-off seguridad/coste de SMPC y publicar resultados defendibles es trabajo de ML researcher en privacidad aplicada.
Este proyecto afina
- cryptography
- secure-computation
- python