百融云创：联邦学习护航隐私安全 打通数字鸿沟

自进入互联网时代，企业生产、管理、运营过程的数字化已经在许多行业逐步实现，数据的积累和数据价值的挖掘成为目前关注的重点。除了应用自身积累的数据资源外，使用其他企业机构、其他行业有价值的数据自然成为破解难题的方法之一。

与之对应的，随着深度学习算法的创新、高性能计算能力的提升以及移动互联网时代数据的增长带来的计算机视觉技术与落地应用的爆发性增长，人们对数据安全与隐私保护担忧也逐渐浮现。同时，企业对数据的实际应用中也有保护核心高价值数据的需求，金融业务受限于数据不够丰富，在数据可解释性及稳定性、风控模型效果、风险策略和获客成本等层面面临诸多挑战。

但是随着数字化、信息化进程和数据采集技术的发展，行业产生的数据量爆炸式增长，数据本身也展现出了更多的维度和联系，各种大数据存储和处理技术方兴未艾。数据联合和融合使用过程中，不可避免地出现了数据治理方面的问题，一是在大多数行业中，数据以孤立的孤岛形式存在。另一个是加强数据隐私和安全性。

作为人工智能的一个新分支，联邦学习的出现，打开了机器学习新时代的大门，同时又启发了企业之间跨越 AI 落地的数据鸿沟的一种崭新方式。根据信通院《隐私保护计算技术研究报告》，2020年隐私计算平台和产品迎来爆发，通过评测的联邦学习产品多达18款，拥有联邦学习平台和产品的企业已经超过60多家，包括阿里、京东、腾讯、华为等头部互联网公司。

目前，国内独立AI技术平台百融云创利用“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。

百融云创在金融领域利用联邦学习解决联邦迁移学习、数据安全查询、纵向联邦、横向联邦等问题，保障大数据交换时的信息安全、保护机构数据资产安全和个人数据隐私、保证合法合规的前提下，在多参与方或多计算结点之间开展高效率的机器学习，真正实现了数据和特征变量的“可用不可见”。在安全条件下，结合金融机构与外部数据源的数据，训练机器学习模型，对比传统联合建模方式，模型效果大幅提升。

百融云创积极推动联邦学习技术的研发与创新，从整个数据产业看，这样一来可以增加可用数据的总量，很好地解决现存数据孤岛的问题;对金融机构自身而言，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。百融云创将立足行业需求，扎根技术创新，不断更新和优化技术含量和服务质量，为客户提供更放心和满意的科技服务。

规范数据使用可以在汇聚更多数据的基础上迎来价值挖掘的下一个爆发点，带动 AI 的数据基础设施进步，隐私计算未来会逐步成为 AI 的基础设施。百融云创将立足行业需求，扎根技术创新，不断更新和优化技术含量和服务质量，为客户提供更放心和满意的科技服务。