チームより

Diditブログの最新記事

本人確認、不正対策、そしてモジュールごとの料金体系の裏側にある数学。製品リリース、研究、標準（eIDAS 2.0、MiCA、AMLD6）について。

Diditの構造化本人確認データとXGBoostによる予測型AML

Diditの豊富で構造化された本人確認データを活用し、XGBoostを使用して強力なアンチマネーロンダリング（AML）予測モデルを構築しましょう。このアプローチは、不正検出を強化し、コンプライアンスを合理化し、誤検知を削減します。.

FHE（完全準同型暗号）が、暗号化されたデータ上での計算を可能にすることで、KYCをどのように革新し、規制遵守を維持しながらユーザーのプライバシーを強化するかを探ります。.

国際的に事業を展開する企業にとって、グローバルな本人確認データのデータレジデンシーとコンプライアンスの複雑さを乗り越えることは非常に重要です。このブログでは、国境を越えた本人確認情報の管理戦略について探ります。.

AIモデルの信頼性確立には検証可能な来歴が不可欠であり、データプライバシーを損なうことなく透明性を確保する必要があります。本稿では、検証可能なクレデンシャルを活用したプライバシー保護型アテステーションが、AIのセキュリティをどのように強化できるかを探ります。.

この記事では、機密コンピューティングとDiditのIDプラットフォームが、コンテナ化されたマイクロサービス向けに、堅牢でプライバシーを保護する本人認証をどのように実現するかを探ります。.

Diditの非同期APIとAWS Batchを統合することで、バッチAMLスクリーニングのコストを大幅に削減し、パフォーマンスを向上させる方法を学びましょう。.