Quantexa запустила сервис для борьбы с отмыванием денег через платформу Microsoft

cryptonews.ruPublicado a 2025-05-16Actualizado a 2025-09-17

Британская компания Quantexa, разработчик ПО для анализа данных, запустила в США облачный сервис для борьбы с отмыванием денег через платформу Microsoft. Решение предназначено для небольших и средних банков, которые сталкиваются с растущими рисками, связанными с криптовалютами, но не имеют ресурсов крупных игроков.

Новый продукт Cloud AML помогает аналитикам быстрее выявлять преступную деятельность и сокращает число ложных срабатываний, сохраняя высокую точность. Это особенно важно на фоне ужесточения регулирования: недавнее принятие закона о стейблкоинах в США ожидаемо усилит конкуренцию со стороны таких банков, как Bank of America и Citigroup.

Согласно опросу Quantexa, 36% специалистов по AML считают, что именно цифровые активы окажут наибольшее влияние на отрасль в ближайшие пять лет. Однако, как отмечает Крис Бэгнолл, руководитель отдела решений по борьбе с финансовыми преступлениями Quantexa в Северной Америке, большинство банков пока не стремятся заработать на криптовалютах — их главная задача контролировать риски.

«Они видят переводы на криптобиржи или с них, но часто не могут отследить источник средств. Если стейблкоины войдут в повседневные платежи, мониторинг усложнится: средства будут перемещаться между традиционными и цифровыми системами», — пояснил Бэгнолл.

Таким образом, рост популярности стейблкоинов вынуждает банки пересматривать свои подходы к оценке рисков. Раньше угрозы ассоциировались в основном с криптокомпаниями, но теперь они исходят и от частных лиц.

Lecturas Relacionadas

Robotic GPT-3 Moment Shakes Silicon Valley: Zero Lines of Code, Learns Instantly, with Investments from Jensen Huang and Fei-Fei Li

Generalist AI's newly released robot foundation model GEN-1.5 is being hailed as the "GPT-3 moment" for embodied AI. The model demonstrates remarkable one-shot and few-shot learning capabilities in physical manipulation tasks. By watching a single 3-12 second demonstration video (physical prompting) without any training or code, the robot can attempt the task with a 59% average success rate across 10 tasks. With just 5 minutes of demonstration data and minimal fine-tuning (10 gradient steps), the success rate jumps to 83%. The most significant breakthrough is the emergence of spontaneous, improvisational problem-solving abilities not present in the training data. For instance, after learning to sweep blocks with a brush, the robot can adapt to use a banana similarly or switch to a completely new "scoop-and-pour" strategy when given a dustpan. Other emergent behaviors include removing obstacles, correcting errors, and spontaneously sorting objects. These capabilities stem from over 8 months of large-scale pre-training on physical interaction data, suggesting the existence of a Scaling Law for embodied intelligence—where model generalization improves with more data and training time. This approach drastically reduces the cost and expertise needed to teach robots new skills, potentially democratizing robot programming. The release coincides with a surge in the humanoid robotics sector, marked by events like the World Robot Conference and significant investments. While the demonstrated tasks are still relatively simple, the scaling trend and emergent behaviors point toward a future where general-purpose robot "brains" could be easily adapted to various hardware "bodies," reshaping the industry's competitive landscape.

marsbitHace 1 hora(s)

Robotic GPT-3 Moment Shakes Silicon Valley: Zero Lines of Code, Learns Instantly, with Investments from Jensen Huang and Fei-Fei Li

marsbitHace 1 hora(s)

Trading

Spot
活动图片