ВТБ и РЖД анализируют объединенные данные в квантовом криптоанклаве

Проект «Квантовый криптоанклав» стартовал по итогам заключенного на ПМЭФ-2025 соглашения по развитию квантовых технологий и к сегодняшнему дню подтвердил возможность безопасного обучения ML-моделей на объединенных данных нескольких организаций.

В рамках проекта ключи шифрования автоматически генерируются в режиме реального времени с использованием квантовых эффектов, что исключает хищения или дешифрацию, и передаются по специализированной оптоволоконной линии, предоставленной РЖД. Это дает возможность транслировать данные самых высоких категорий защищенности в изолированную среду, в которой происходит обучение ML-моделей. Решение ПАК «Эвирис», разработанное ИТ-холдингом Т1, – программно-аппаратный комплекс для защищенных совместных вычислений на  основе объединенных данных, позволяет обогащать эти данные информацией от других игроков рынка. Система проводит объединение датасетов, обучение модели и валидацию результатов, при этом ни один из участников не получает доступа к исходным данным партнера.

Работоспособность решения была подтверждена на подготовке скоринговых и аналитических ML-моделей для банка ВТБ.

Потенциальный круг пользователей «Квантового криптоанклава» охватывает как государство, так и множество отраслей, располагающих поведенческими или транзакционными данными, на основе которых могут быть созданы эффективные ИИ-инструменты: промышленность, телеком, финансы, крупный ретейл, электронная коммерция и другие.

С учетом планов по масштабному внедрению ПАК «Эвирис» в операционную практику на рынке в 2027 году, следует особо отметить, что дополнительный уровень защиты данных, в том числе от квантовых угроз, дает продукту уникальные рыночные преимущества, как первому в мире квантово-защищенному криптоанклаву.

Как отмечает Сергей Безбогов, заместитель руководителя технологического блока – старший вице-президент ВТБ, главный барьер для межотраслевого обмена информацией – длительный цикл согласований, который обесценивал обогащающие данные и порождал избыточные операционные издержки. В рамках пилота удалось решить эту проблему: модель была обучена на объединенных данных, при этом банк не раскрывал своей клиентской базы и не получал чужих данных. В будущем это позволит кратно сократить цикл от идеи до работающей ИИ-модели.