做好贷前、贷中、贷后风险管理，是银行和金融机构关心的核心命题。随着许多业务由线下转移至线上，如何从线上海量用户中筛选出合适的客户进行放贷让银行倍感压力。联邦学习的出现成为了解决该难题的“利器”，以数据可用不可见的方式，在数据不出本地的情况下，让不同利益方数据实现串联，打破数据孤岛，为银行和金融机构提供更科学的风险管理方式。

“联邦学习”又名“联邦机器学习”，能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下进行数据使用和机器学习建模，降低传统中心化机器学习带来的隐私泄露风险和因数据泄露带来的相应成本。

据了解，联邦学习是基于数据隐私保护的安全计算框架，是一系列技术实现的统称，为机器学习、深度学习、迁移学习算法提供安全计算支持。

百融云创利用“联邦学习”，创新性地设计了一种新的人工智能实现模式，承接了传统人工智能解决问题的能力，更为重要的是，“联邦学习”开创了一种面向数据隐私保护的机器学习新范式，且在这种新的框架下，“联邦学习”各参与方通过“联邦学习”机制实现了多赢的局面，也为金融行业人工智能技术的应用提供了一种新的应用前景。

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、准确地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。

百融云创探索的“联邦学习”模式，不仅可以增加行业内可用数据的总量，解决现存数据孤岛的问题;而且对金融机构而言，使用联邦学习能简单、合法且低成本的获取外部有效的数据信息，快速解决某些因数据量或数据维度不足而导致的困扰，并且不会造成合作机构间数据或商业机密的泄露。

目前，百融云创的这一技术已经在多家金融机构展开部署和测试，协助其健全数据治理机制，数据模型，形成多层次、系统化的数据管理体系。未来，百融云创还将积极推动创新技术应用，加强标准建设，打造开放合规的数据合作生态平台，为提升金融业数字化和智能化水平贡献力量。

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。