想領錢只要刷臉就行？銀行人臉辨識可沒這麼簡單

• 文／羅伯‧席勒

人們對引起恐懼的故事有何反應

長期以來，新聞媒體和公眾討論一直將金融危機說成是人們在經濟風險控管方面過度自滿一段時間之後，一連串的經濟失靈驟然發生所造成的恐慌。使用具強烈感情色彩的字詞如「恐慌」和「自滿」，可能顯得像媒體炒作：恐慌令人想起失序的民眾試圖避開突然出現的人身危險，自滿則暗示一種洋洋自得的昏沉狀態。

但是，在這種金融事件中，人們多數似乎完全理性；這些事件發生在人們大致正常生活的幾個月或幾年裡，而人們期間往往表現得像是在梳理事實。即使在金融「恐慌」期間，多數人看來很正常和放鬆，不時說笑。

但是，使用恐慌和自滿這兩個詞真的離譜嗎？這兩個詞都描述必須靠神經結構支持的精神狀態。我們必須研究這些結構，以確定金融恐慌與其他恐慌、金融自滿與其他類型的自滿在神經學上是否有共同之處。

金融危機十年之後，銀行該怎麼辦？

我們來看本書撰寫期間出現的一個例子：在 2007～2009 年全球金融危機十週年將至之際，銀行業者承擔愈來愈多風險。2017 年，美國聯邦存款保險公司 (FDIC) 發表報告指出，美國銀行業者為了取得較高的資產收益，藉由延長投資期限承擔了過高的風險，情況令人擔憂。在金融危機爆發後近十年裡，利率一直非常低，雖然較長期的利率高一些。

藉由延長投資期限取得較高的收益，對銀行來說風險相當高，因為如果利率突然上升，它們必須提高存款利率以留住存戶，因此多付的利息可能超過較長期限投資帶來的額外收益，進而造成銀行極大的麻煩。

銀行最終決定承擔風險，但它們如何形成對未來利率的預期？

世上沒有任何一名專家已證實能夠可靠地預測未來幾年的利率。沒有人能告訴銀行業者眼下的低利率時期多久之後結束，也沒有人能保證低利率將永遠持續下去。

銀行業者掌握的只是對某些敘事逐漸淡化的記憶，它們是關於發生在其他歷史時期的事：利率大幅上升，導致大量存戶跑到銀行提走存款。在利率已處於低位十年之久的情況下，這些故事看來比較不相關，但我們沒有辦法量化相關程度降低了多少。

銀行業者在這種情況下的行為，或許最好視為受原始的神經系統模式驅動，也就是經歷數百萬年的達爾文式演化、流傳至今的那些大腦結構模式。

這也許與「恐懼」的演化有關

現今的狗和齧齒動物擁有一些相同的負責管理恐懼的大腦結構，此一事實是它們具有共同的中生代¹起源的證據。恐懼是所有哺乳動物和較高等動物的一種正常情緒，由大腦結構支援。恐懼的消除是一個必須隨著時間的推移發生的過程，以便在危險過去之後解除恐懼。

科學家最初是間接觀察到這些大腦結構的活動。1927 年，俄羅斯生理學家巴夫洛夫 (Ivan P. Pavlov) 報告了他對狗的研究。如果在節拍器滴答作響的情況下在狗的舌頭上給它一劑酸液，重複很多次之後，只要有節拍器的聲音，不加酸液也能引起與加酸液一樣的不由自主反應。

在實驗的隨後階段，巴夫洛夫反復打開節拍器，但不使用酸液，狗的厭惡反應逐漸消失。後來研究者發現了這些反應涉及的大腦結構。

在老鼠中，側杏仁核²的神經元在恐懼產生階段和恐懼消退階段都發揮重要作用：神經元在恐懼產生階段增加發射訊號，在恐懼消退階段減少發射訊號。並不是所有神經元都減少發射訊號，恐懼因此仍有殘留。神經學家得出以下結論：

總而言之，有很多證據顯示，杏仁核、腹內側前額葉和海馬體之間的互動形成了一種獨特的神經迴路；該迴路是消除恐懼的能力之基礎，在演化過程中留傳了下來。

老鼠的這種神經迴路，以及不由自主的恐懼觸發表現，與人類十分相似。就人類而言，腹內側前額葉皮質的厚度與消除恐懼的成效有關。

人類的某些神經障礙，例如創傷後壓力症候群 (PTSD)，代表恐懼無法消除，研究這些神經障礙可以揭露恐懼管理的基本結構。我們似乎可以合理地假定，人類管理恐懼的神經迴路尚未演化至理想的狀態，因為人類文明只有數千年的歷史。

註解

1. 約 2.52 億年前～6,600 萬年前的地質年代
2. 一個杏仁狀的大腦區域

編按：深度學習是目前AI發展的核心技術，特別是在影像辨識和自然語言的處理，最能發揮優勢，本篇文章將介紹最具代表性的深度學習技術和最新的應用案例。

CNN（卷積神經網路）的架構

CNN 原本的設計是用來模仿人類視覺功能，因此影像辨識是其主要的應用，
最近已經逐漸擴大應用範圍，訊號和自然語言處理也開始使用 CNN 了。

卷積神經網路 (Convolutional Neural Network，CNN) 是一種神經
網路模型，常用來處理規則排列的影像資料。CNN 這個名稱是從處理時使
用名為卷積 (convolution) 的數學運算而來。
下圖是 CNN 神經網路的基本架構，從圖中可以看到在輸入層和輸出層
之間，多了卷積層和池化層，兩者可以視為是一種過濾器。

RNN（循環神經網路）的架構

RNN 與 CNN 都是最具代表性的深度學習模型。RNN 很擅長自然語言處理這類時間序列的資料，近來也常用於物聯網與機器異常檢測的應用。

RNN（Recurrent Neural Network，循環神經網路）是可以處理不定長度資料的神經網路。下圖說明了 RNN 的基礎結構。從圖中可以看出 RNN與 CNN 最大的不同在於，RNN 具有回饋 (Feedback) 機制，也就是在隱藏層中輸入前一次的輸出值 h。

生成模型與 GAN（對抗式生成網路）——生成影像資料的技術

深度學習不僅可以辨識影像和聲音，也可以用來產生新資料。近年來，用神經
網路來生成文章、影像等技術不斷提升，相關的商業應用正不斷擴大發展中。

機器學習的分類模型有識別模型 (Discriminative Model) 和生成模型 (Generative Model) 兩種。常見的識別模型能預測輸入資料屬於各類別的機率，例如用 CNN 識別影像，並得到像狗 80 ％、貓 20 ％的機率輸出。

生成模型也會輸出屬於各類別的機率，但會先從大量的訓練資料中，推導出各類別適合的機率分佈，然後在預測新資料時，即可依新資料的分佈結果計算其機率。這裡所謂的機率分佈就如下圖所示，假設資料有 ○ 和 × 兩個類別，依照各類別樣本分佈的情形，就可推測出其機率分佈的範圍，也就是圖中橢圓的部份，而越靠近橢圓中心的資料，有較高的機率屬於該類別。

結合數位替身與 AI 生物辨識的行動銀行

美國的軟體公司 Sensory 多年來持續開發有關語音辨識的嵌入式裝置技術，該公司是使用名為 Virtual Teller 的 AI，開發了適用在行動銀行的解決方案。透過 Virtual Teller，使用者可以如同在櫃檯與服務人員溝通一般，虛擬人員對話同時進行交易。身份認證方面，則使用了語音辨識和人臉辨識的 AI 生物辨識技術以提高安全性。

此外，進行認證的 AI 內建於智慧型手機的應用程式中，因此取得的生物資訊不會上傳到網路。為了與智慧型手機的「數位替身」順暢對話，也搭載了語音辨識和語音合成功能，以提高互動效果。Sensory 透過將 AI 建置於手機軟體中，實現了高安全性且易於使用的使用者介面。

在這世界好快心好累的時代，我們大學修的很多學分都很難學以致用，「不務正業」、做著跟大學主修乍看沒什麼關係的工作，可能才是常態。五月的專題徵文，就讓我們來看看「職涯」能有哪些變化！

大學學測放榜後，如何選填適合自己的科系是每個高中生必定面對的難題，臺灣高中生階段的學生大多都不太知道自己的興趣是什麼？自己適合什麼？

所以在選填志願時往往就依據自己的成績、科系熱門程度和師長的意見去選填。舉我個人的例子來說，受限於繁星計畫只能選校，科系幾乎是依據分數高低來決定落點，由於商學院的所有科系都落榜，最後就到了這個和商科有點相關，卻又比較接近法律系的科系。

儘管自己並不排斥自己在學校所學的專業科目，但我仍是希望自己的職涯可以有不同的可能性，而非侷限在公務員或是不動產相關產業。

最初也沒有多想，只覺得銀行行員似乎是個不錯的職業就著手投了履歷，經過了筆試和面試，最後毫無任何經驗的我，錄取成為一間北部某銀行的存匯行員。

新鮮人進入職場往往都是從零開始，即使你是相關科系出身，仍然需要了解公司文化、系統、組織架構以及工作如何實際操作。通常銀行都會對新人安排一定時間的教育訓練，在經過約三週的訓練後，我被發派到台北信義區的銀行就任櫃員。

銀行的業務大概分三類：存匯、放款和理財業務。一般新人到分行都會先做存匯的工作，之後再依分行的需求由單位主管派任其他職位，而存匯的工作和我大學所受的訓練大多無關，因為我們所使用的系統和知識都不是學校會教的。存匯櫃員的工作大概有：一般收付〈存款、提款和匯款〉、外匯、基金、開戶、支票存款。除了上述的項目外，還有一些工作是依據分行業務和主管而產生的工作，例如：基金和保險的行銷、保險公司保費代扣……..等等。

由於我們公司採全功能櫃台制，所以每個櫃員都要學會辦所有的業務，每次叫號的時候就像是在玩抽鬼牌，因為除了熟識的客戶外，你不會知道客戶要請你辦什麼樣的業務。這對於新人來說是一直是很大的考驗，因為上述的那些工作，大部分是到了分行才開始學習，教育訓練時並沒有教導，所以能不能在這個職場生存取決於你是否能在短時間熟悉各種業務工作，以及你身邊的主管和同事是否願意協助你。

雖然我的職業並不會運用到我大學所學的專業知識，但這也不表示大學的訓練和職場工作毫無關係。

除了表訂的工作外，有時我們還會遇到主管交辦事項，而這時就需要自行去思考該如何完成。例如：公司某高階主管曾經要求分行，去估算自己分行每月的損益，當時我運用了公司的日報表、同事提供的資料，搭配學校所學的會計學理論和Excel軟體，計算出主管所要求的數字。

由此可知，雖然我在學校所學的專業知識不會應用在主要的工作上，但它卻能在處理某些事件上有用武之地。

對於銀行相關工作，不少人常有一個迷思：總行待遇比分行好。

根據我的經驗：不一定。我在分行任職不到一年的時間就被調至總行會計部，這也許是因為畢業於國立政治大學這個名校，也可能是在教育訓練時人資部的主管對我留下深刻的印象，總之，這個經驗也讓我對於銀行業有更深一層認識。

即使在同一個公司下，分行和總行的工作內容差異甚大。分行主要負責業務面，所以工作大多為招攬業務和服務客戶，對於市場、客戶有較多的接觸與認識；總行主要負責管理面，因此工作大多為制定政策、監督分行行為以及應付主管機關，對於法律和各項政策有一定的敏感度。從這裡可以看出，分行需要的是能招攬業務和開發新客戶的人，或是只能依照制式規則完成工作的人；總行需要的是能獨立作業、主動發現問題並解決問題的人，或是能從無到有，制訂出適合公司的系統或企劃的人。

我在這個公司年資約2年半，比較多的時間在總行服務，我清楚了解即使在同一個公司內，不同的職位，不同的部門，所需要的人才自然是不同的。學校所教導我的是獨立思考的能力，以及如何透過團隊合作找出最適合的策略，因此我會適合總行的環境。在我任職期間，人資部也曾陸陸續續調過不少櫃員到總行任職，然而這些人的離職比率可說是頗高，原因出在他們大多出身於科技大學，而技職體系的學校比較少訓練學生獨立思考，或是讓學生去獨立完成一項專案，當他們在總行面對無標準答案的問題時，往往無法處理。

其實有很多事情唯有你自己親自去體會，你才能真正了解它的內涵，而他人的意見仍舊只能參考用。

人們在選擇自己就讀的科系和職業時，最重要的還是要先對自己有一定程度了解。先知道自己的人格特質和能力，從而去選擇符合你自己條件的職業才是正確的。

銀行業在台灣算是一份穩定、有機會領高薪的工作，然而，現在年輕人滿多都因害怕業績壓力，而盼望能有機會轉調管理單位，雖然管理單位無業績壓力，但是主管給的壓力其實也不算小，而且每天面對一樣的人、事、物，倦怠感很容易產生。總行也好，分行也罷，不管他人說什麼，認清自己，找到最適合自己的位置才是對自己最好的選擇。

更多「不務正業」的相關文章，請見 特輯：我念XX系，但我現在在做OO

• 李蘭萱 (Lan-Xuan Li)／政治大學財務管理研究所碩士生，目前於產業分析研究崗位實習。主要專業領域為計量經濟、金融創新服務、ICT 數位化科技應用等。喜歡桌球，並認為必須結合統計、科技，才可以描繪出未來「以人為中心」的商業模式。

靠臉領錢辦得到嗎？其實科幻場景已很近

不知道大家有沒有遇過一種情況呢？急需用錢時站在 ATM 前準備提款，卻發現自己忘記金融卡密碼了，隨著身後排隊的人群愈來愈多，心也逐漸焦躁不安，與此同時，或許你的腦中會惱怒地想著：

「如果可以靠臉領錢那該有多好啊！」

這敘述乍看之下彷彿是僅存於科幻電影中的想像，但實際上，隨著科技發展，這種操作已非遙不可及。「只要站在鏡頭前刷臉就能提款轉帳」的未來，其實比想像中還要近。

想成為識別的特點，要既普遍又獨特

隨著電腦運算效能的演進、行動設備普及化，自動化的「生物識別系統」──尤其是指紋和語音識別，早已在近十年被廣泛使用。不過，即使指紋、語音等生物資訊已逐漸普遍，值得留意的是：除了一般性消費服務的應用之外，銀行、金融業者也嘗試將各種生物識別技術，導入銀行服務應用之中。

比如歐洲銀行業管理局 (European Banking Authority)，在 2018 年發布的《EBA Report on the Prudential Risks and Opportunities Arising for Institutions from Fintech》報告中，便提到「生物識別」技術在「身分識別」的功能上，須具備幾個特點：

1. 普遍性：確保每個人都有用來識別的特徵。
2. 獨特性：特徵在個體間有所差異。
3. 持久性：同個體的該項特徵不會隨時間有太大改變。
4. 可收集性：與特徵獲取或測量方式的難易度有關；愈難取得則識別效果愈差。
5. 規避難度：規避難度會影響技術的安全性和可靠性。
6. 社會接受度：客戶對生物辨識的的接受或抵抗會嚴重影響方法的使用。  

符合這些條件的生物特徵，大致上可以分成指紋、語音、虹膜、臉部等「外部生理特徵」以及「內部生理特徵」，例如靜脈、心跳。其中，又因為指紋辨識具有方便、快速、成本低廉的特性，所以無論是實體銀行和行動銀行都很常見到指紋辨識的應用，或者藉由指紋辨識，來擴大服務情境的內容。

生物特徵雖然能夠鎖定個人的獨特性，但也並非無所不能。以如今已成熟化的指紋辨識來看，指紋這項生理特徵的應用，也有幾項明顯的侷限性。首先，並非所有人的指紋都能夠被機器識別；其次，指紋的辨識與取得，目前仍必須直接仰賴特定的臨場感應器；再次，感應器上的指紋印痕也具有被有心人士複製的風險。

整體來說，指紋辨識技術仍有可靠性 (reliability) 不足，以及使用臨場設備的限制，因此，除了指紋辨識之外，銀行與金融業者也積極投入其他生物辨識的應用。

遠端身分識別、消費者體驗需求，帶動人臉辨識技術導入服務

衡量生物識別可靠性的指標分為兩類，分別是錯誤接受率 (False Acceptance Rate, FAR) 及錯誤拒絕率 (False Rejection Rate, FRR)

• 錯誤接受率：非法使用者被機器錯誤接受、通過認證的比率。
• 錯誤拒絕率：合法使用者被機器錯誤拒絕的比率。

這兩個比率太高都會產生負面影響，前者高意味著安全性不佳，後者高則影響使用意願。

同樣在歐洲銀行業管理局 (EBA) 報告中，比較了不同的生物辨識技術，發現到：在一般的情況之下，人臉辨識與語音識別的錯誤接受率 (FAR) 較高，指紋、虹膜和視網膜識別則較低，但確切數據會隨著不同使用目的而變動。正因如此，現在的人臉辨識技術尚未普遍成為銀行金融服務的主要導入技術。

即使如此，仍可以看到部分銀行金融服務業者，比如匯豐銀行、新加坡華僑銀行等，近年開始嘗試將人臉辨識，導入於相關服務中。人臉辨識技術雖然尚未成熟，卻讓各大銀行願意花費昂貴成本和風險引進，倘若我們彙整這些業者的服務論述，大致可歸納為兩點：

1. 提升安全防護：只有傳統密碼的情況下，一旦客戶的卡片密碼被不肖人士取得，可能就會造成客戶損失。然而若增加人臉辨識系統在 ATM 等設備上作為防護，不僅會使得盜領難度大增，銀行也能夠「即時」獲得警訊，未來在合理的法律規範下，還可以和警方合作，用來打擊犯罪。即時性防護，對於注重安全性的金融機構而言，人臉辨識提供的保護功能，會是最大的投入誘因。
2. 增加客戶體驗、吸引客群：在網路銀行普及的同時，由於業務上仍有部分限制，實體據點的存在還是有其必要性。因此，透過人臉辨識提供優良的體驗以吸引客戶，對銀行來說會是一項誘因，例如 Pepper 機器人、Video Teller Machine、迎賓互動牆等等。這也意味著：銀行業者在因應行動服務等需求的同時，會需要非臨場、遠端臨場的身分識別技術。而在智慧型手機的鏡頭效能不斷增進的趨勢下，人臉在裝置上的映照與投射已成消費者最熟悉的使用習慣之一。

倘若我們觀察現有的案例，可以發現銀行業者對於人臉辨識的應用導入，包括手機銀行登入、臨場的身分識別等。而從消費者使用經驗的層面來看，則可進一步分為兩種類型：

1. 「主動辨識」：可在辨識目標（消費者）無知覺的情況下運作，常被用來監控特定範圍內的動態目標
2. 「被動辨識」：需經過辨識目標主動觸發，系統才會開始運作，而由於目標是靜態的，所以受到環境因素干擾的程度會較低，使辨識可靠性提升

但無論何種應用服務（如：登入手機 APP 使用行動銀行，或是在櫃檯協助行員辦理金融服務）對「可靠性」的需求都被視為銀行服務的核心，其中，又以被動辨識中涉及到的線上登入、支付等服務對於系統可靠性的需求最高，因為稍有不慎便可能造成金錢損失，或將個人資料外洩。

• 註：銀行休息室的主動辨識功能，其需求是截然不同的，休息室使用人臉辨識的目的，是在客戶沒有意識到的情況下提供貼心的接待服務，對銀行來說偶爾辨識錯誤的影響不大，這種情況下主動的人臉辨識反而比較適合。

然而，若就現有的案例來看，目前在銀行服務中，單獨使用人臉辨識作為身份認證的服務仍有限，使用安全性需求高的功能，仍然還是會搭配「密碼」輸入，人臉辨識只作為多重認證的一環。但可以確定的是，未來人臉辨識能否完全取代其他身分認證的方式，甚至成為主流認證方式，辨識的可靠性會是一個很重要的關鍵。

人臉辨識導入金融服務的爭議與挑戰

使用人臉辨識革新金融服務的同時，銀行要考量的不僅僅是技術的使用方式、成本等等，還要注意伴隨著創新而來的爭議與挑戰，接下來將分別說明可能遇到的問題。

技術可靠性仍有待提升，且需要有在地特徵的分析模型

對銀行來說，是否採用人臉辨識技術，或者更進一步決定技術運用的方式及程度，其中最大的關鍵在於可靠性，這些問題包括──究竟人臉辨識系統能不能準確分辨出長相相近的不同用戶？膚色與性別是否會導致辨識錯誤機率提高？

以目前當紅的 Face ID 為例，Apple 坦言雙胞胎和 13 歲以下的兒童用戶，辨識錯誤機率的確較高，並且建議他們使用密碼驗證，坊間也可看到民眾成功騙過系統的案例。學術研究方面，Buolamwini 與 Gebru 在 2018 所發表的「Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification」一文中針對 3 款人臉辨識 API 進行測試，結果發現性別和膚色均會對準確度造成影響，可能原因除了膚色和燈光影響資料擷取外，資料收集時的偏誤也會降低人工智慧模型的判斷能力。假如資料中的白人男性偏多，模型對於白人男性的訓練量足夠，會有較佳的辨識能力，而相對的，其他特徵的使用者就比較容易出現誤判。

如果是用於一般的消費性電子產品，目前的人臉辨識技術對於提供用戶良好的使用體驗或許綽綽有餘，然而金融業對於安全的要求極高，在進一步提升技術可靠性之前，人臉辨識技術仍無法全面取代密碼作為主流驗證方式。

臉部特徵作為個人資料，如何兼顧資料安全性

想要將人臉辨識導入金融服務，那麼生物資訊的蒐集是無法避免的，因此，個資法的規範範圍是否影響技術的使用？這是銀行必須審慎評估的。這也意味著：除了技術層面以外，法律規範也是銀行引進服務前需要思考的。

首先，台灣的個人資料保護法中規定，無論公務機關或非公務機關，如要在未取得當事人同意的情況下蒐集資料，則需要基於執行法定職務或義務等必要情況，並且處理與利用資料同樣只能在法律規範的幾種特例下所使用，例如為了公共利益或是學術研究。

國外的法律規範更嚴謹，歐盟號稱史上最嚴的個資法 GDPR (General Data Protection Regulation) 於 2018 年 5 月 25 日開始實施，適用的範圍相當廣泛，不僅是歐盟境內，只要客戶、員工、供應商、政府機關等和歐盟公民相關就會受到 GDPR 的規範。受保護的資訊囊括了一切個人數據，從基本資料、宗教信仰、政治立場、網路瀏覽紀錄到指紋、虹膜、面部等生物特徵都在範圍內。這些法律上的限制意味著銀行引進人臉辨識前，必須謹慎評估使用情境是否合法，避免在追求便利服務的同時帶來更多額外的風險及成本。

技術不成熟引發的社會爭議

人臉辨識的運用也引發了敏感的社會爭議。英國倫敦、南威爾斯等幾個地區的警方，自 2017 年開始在一些節慶、比賽或是流量大的十字路口使用人臉辨識系統，系統即時辨認鏡頭前是否出現和警方持有照片一致的面孔，若配對成功則會發出警報。

然而，其結果不盡理想，依據目前的測試結果，警報超過九成都是錯誤的，這讓英國民間的公民自由組織 Big Brother Watch 非常不滿，認為這項不準確又昂貴的系統，對於抓捕真正的罪犯幫助有限，反而會造成無辜人民的自由受到侵害。同樣的問題也可能出現在銀行，如果銀行逕自使用人臉辨識系統分辨客戶，而未經過所有出現在鏡頭前的人同意，不論結果是否準確恐怕都難避免爭議。

整體而言，依據歐洲銀行業管理局 (European Banking Authority) 的觀點來看，人臉辨識的技術仍有相對較高的錯誤接受率 (False Acceptance Rate, FAR)，換言之，對於銀行金融此種需要有高度可靠性、安全性的服務場域來說，技術仍然未能滿足，因此在目前，人臉辨識仍屬於多重辨識的一種（如搭配密碼、人臉資訊等）。

但相對於虹膜、指紋、靜脈等生物辨識技術來說，人臉辨識擁有較高的遠端臨場特性，也就是使用者可以在非臨場情境中使用銀行金融業者所提供的服務，確實在行動服務普及化趨勢之下，是業者願意投入的主要誘因。此外，倘若相關技術可以取得更多的在地化資料模型，並結合深度學習 (Deep Learning) 等技術，在未來仍可以降低錯誤識別的機率。

不過，其實人臉辨識能否成功導入於銀行金融服務，其最核心的問題仍在於：消費者是否信賴？這個問題所包含的個人資料保護，以及生物資訊第三方使用的正當性，才是這個議題最需要解決的課題。

一個只需要刷臉就可以登入的銀行帳戶，你的想法是甚麼呢？

參考文獻

• Buolamwini, J., & Gebru, T. (2018). Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification. Proceedings of Machine Learning Research 81, (pp. 1-15).
• EU GDPR. GDPR Key Changes. Retrieved 11 23, 2018, from EU GDPR.ORG: https://eugdpr.org/
• European Banking Authority. (2018). EBA Report on the Prudential Risks and Opportunities Arising for Institutions from Fintech. European Banking Authority.