近年来,我国数字经济总体规模不断扩大从2016年的22.4万亿元跃升至2020年的41.4万亿元。数据作为数字化的基石及核心已然成为了一种非常重要的生存要素。但是不可避免的负面影响也随之产生。虚拟数据世界的扩张也同时为现实生活中的个人隐私带来风险。因此,如何在保障个人数据隐私的前提下推进数据协作,破解“数据孤岛”是金融行业需要共同探讨的问题。

针对当前越来越突出的“数据孤岛”问题,百融云创在业内号召并率先探索“联邦学习”模式。联邦学习的本质是一种分布式机器学习技术,在不交换数据样本的情况下,在多个分散的边缘设备或服务器上训练算法,以达到在数据“可用不可见”的基础上进行安全联合建模的作用。

以合规为基石,百融云创顺应行业发展趋势积极投入联邦学习这一新式算法的研发,可实现各个企业自有数据不出本地,通过加密机制下的参数交换方式,在不违反数据法规隐私的情况下,建立一个虚拟的共有模型,最终通过联合建模提升模型的效果。据悉,从2019年9月开始投入研发,百融云创人工智能金融实验室已经完成联邦学习系统的基本开发。

百融云创从隐私集合求交集、联邦学习等方向入手,以密码学领域的重要理论和技术为基础,结合大数据具体应用场景,搭建了安全多方计算平台Indra,促进安全多方计算、机器学习等理论研究的落地。通过不断地创新发展,百融云创将联邦学习作为破解智能时代和隐私保护的利器,驱动人工智能产业升级,不断赋能金融行业。

百融云创在探索之中发现,作为打开数据岛的桥梁,联邦学习在满足数据隐私、安全和监管要求的前提下,能够让人工智能系统能够更加高效、准确的共同使用各自的数据。百融云创积极利用联邦学习模式开创多种数据保护方式,如建立百融模型自训练平台、百融联邦机器学习平台、百融谛听设备反欺诈等等,这些都成为助力金融机构提升业务能力的利器。

在应用场景层面,联邦学习主要有横向联邦学习、纵向联邦学习、联邦迁移学习三种。以纵向联邦学习来说,其特点是样本ID重叠较多、样本特征重叠较少,通过联邦学习可以实现双方获利,即无标签一方可以使用联邦模型预测,有标签一方提升模型准确度。比如银行和互联网公司的合作,银行有用户银行卡的收支行为与贷款信息,而电商企业掌握用户的商品浏览与购买历史信息,通过联邦学习双方可以在信用评估、精准营销等领域实现合作。

通过合理利用联邦学习技术,百融云创帮助金融机构解决金融数据共享与数据隐私保护之间的痛点,更好地发挥金融数据潜力。在未来的研发优化过程中,百融云创仍将立足行业需求,扎根技术创新,共筑数字金融安全“生命线”。

免责声明:市场有风险,选择需谨慎!此文仅供参考,不作买卖依据。

推荐内容