金融AI应用与隐私保护如何兼得？百融云创联邦学习平台给出破解之道

近年来，百融云创人工智能实验室团队不断加大联邦学习技术研究投入，并从联邦学习、隐私集合求交集等方向入手，结合大数据具体应用场景需求，打造了Indra隐私计算平台。其中，百融联邦学习平台的推出，针对机器学习算法进行定制化的隐私保护改造，保证数据不出本地即可完成模型训练，为隐私保护计算解决方案的落地提供了有力支撑。

联邦学习引领大数据合作新方向

金融本身是数据密集型行业，但同时，金融也需要互联网等其他行业数据来补充完善自身的客户数据画像。而联邦学习作为新兴的技术范式，能够在数据不出本地的前提下，实现安全数据模型共建与AI协作，这就使得以联邦学习为代表的隐私计算在金融领域的应用落地更为迅速。

联邦学习技术原理是通过构建一个计算网络，使客户可以在自己的终端通过使用本地数据对模型进行训练，并将模型的更新内容进行上传汇总，将不同终端的模型更新进行融合，以此优化迭代模型，并不断重复这一过程。在整个过程中，终端数据始终存储在本地，来避免数据泄露的风险。

以纵向联邦学习为例，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联合建模、信用评估、精准营销等领域实现合作。

百融云创人工智能实验室负责人表示，联邦学习能够在保障数据安全的基础上，打破数据孤岛，为合作方、客户之间提供一种安全、高效的数据合作模式，是未来越来越多企业所选择的合作发展趋势。目前，已有数十家金融和科技机构与百融云创展开联邦学习建模合作。

百融云创联邦学习平台四大优势

具体来看，以联邦学习、安全多方计算等数据安全与隐私保护技术为核心，百融云创联邦学习平台可有效完成各机构之间“数据可用不可见”的融合计算与联合建模，具有以下四个优势：

一是易用。平台提供从模型训练到部署端到端的可视化交互，全程提供参数设定推荐、信息反馈与日志查询等提示，用户上手操作简单。

二是安全。原始数据不出系统边界，把计算移动到数据端，坚持数据最小化利用，无需信任第三方，同时结合区块链的查询存证追溯，授权管理。

三是高效。平台采用了效率更高的同态加密算法，为隐私计算的大规模工业化实际应用优化了所有核心的计算部分。同时，对计算过程也进行了优化。

四是全面。无需用户自自己进行数据预处理，可提供自动处理与专家处理模式，并具有全面的模型输出、数据读取、划分功能。

与联邦学习Fate开源平台对比，在效果上，百融云创联邦学习平台重新设计了Fate所有计算部分，使用了精度更高、几乎完全无损的拟合方式，大幅提升了模型效果与速度；在性能上，平台采用了效率更高的同态加密算法，性能比Fate中使用的第一代同态加密Paillier算法有明显提升；在功能上，平台支持包含数值型和字符型的全类型变量，并对缺失值、极值均有相应的处理，能够提供完整的预处理功能、完整的模型评估报告和评分卡功能，模型输出可直接应用。

以保险营销场景下的联合建模为例，在模型效果上，联邦学习建模的效果明显优于本地建模效果；而在训练速度上，百融云创联邦学习平台使用高性能同态加密技术，极大地缩短了训练时间。

百融云创人工智能实验室负责人预计，随着大数据的蓬勃发展，隐私保护技术的逐步透明和普及，互联互通、技术开源和标准定制，将在未来两年会有一个爆发式的发展，极大地赋能金融机构在科技场景的落地，谁能更好运用隐私保护技术，谁就能更好地利用大数据带来的价值。未来，百融云创人工智能实验室将继续加大对隐私保护技术的研发和创新，始终引领金融行业的科技创新方向。

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。