Makine öğrenimi, finansal analiz süreçlerine faydalı bilgiler sunan önemli bir teknoloji olmasına rağmen, bu teknolojilerin gerçek kullanımı veri gizliliği endişeleriyle sınırlıdır. Bu makalede, iş dünyasının finansal verilerinin gizliliğini koruyarak makine öğrenimi modellerini eğitmek ve tahminler oluşturmak için tamamen homomorfik şifreleme tabanlı bir yaklaşım sunulmuştur. Önerilen yaklaşımın amacı, açık veriler üzerinde makine öğrenimi modellerini eğitmek ve şifrelenmiş verilerle tahminler oluşturulurken veri gizliliğini sağlamaktır. Eğitim aşamasında, kamuya açık kaynaklardan alınan finansal oranlar kullanılarak makine öğrenimi modelleri eğitilmiş ve şifrelenmiş çıkarım için hazır hale getirilmiştir. Çıkarım aşamasında, istemci tarafındaki şifrelenmiş finansal bilgiler sunucuya iletilmiş ve tahmin işlemi şifrelenmiş olarak yapılmıştır. Çıkarım aşamasında, istemci tarafındaki finansal veriler şifrelenmiş ve sunucuya iletilmiştir. Tahmin süreci de şifrelenmiş olup, sonuç yalnızca istemci tarafında deşifre edilmiştir. Araştırmada Altman Z-Score, L-Score ve Zmijewski Score modelleri kullanılmış ve şifrelenmiş modellerin doğruluk değerleri (R2: 0.68-0.98), açık modellerle karşılaştırılabilir şekilde performans göstermiştir. Şifrelenmiş modellerin doğruluk düzeyleri, Altman Z-Score, L-Score ve Zmijewski Score gibi bir şirketin durumunu tahmin eden modellerle yapılan deneylerde, açık modellerle benzer sonuçlar üretmiştir. Ayrıca, çıkarım ve eğitim süreleri gibi performans metrikleri de incelenmiştir. Elde edilen bulgular, Concrete ML ile geliştirilen bu yaklaşımın, finansal uygulamalarda gizliliğin kritik olduğu durumlarda güvenli ve etkili bir çözüm sunduğunu göstermektedir.
Although machine learning is a significant technology that offers useful insights into financial analysis procedures, the actual use of these technologies is restricted by data privacy concerns. A completely homomorphic encryption-based approach presented in this paper to train machine learning models and generate predictions while protecting the privacy of business financial data. The goal of the suggested approach is to use encrypted data to generate predictions while training machine learning models on open data.During the training stage, financial ratios from publicly accessible sources were used to train machine learning models on open data and prepare them for encrypted inference.The client-side encrypted financial information is transmitted to the server during the inference phase, and the prediction procedure was conducted in an encrypted. During the inference phase, the client-side financial data was encrypted and transmitted to the server. The prediction process was also encrypted, and the outcome was only decrypted on the client side. The Altman Z-Score, L-Score, and Zmijewski Score models were employed in the research, and the encrypted models' accuracy values (R2: 0.68-0.98) performed comparably to the open models. The accuracy levels of the encrypted models have produced results that are quite similar to those of the open models in experiments utilizing models predicting a company's status, such as the Altman Z-Score, L-Score, and Zmijewski Score. Performance metrics including inference and training times have also been examined. The findings obtained indicate that this approach developed with Concrete ML provides a secure and effective solution in financial applications where privacy is critical.
