联邦学习创造价值共享 百融云创构建安全机制

        复杂多变的网络环境下，用户对数据的保密性越来越重视，保证数据安全成为了大数据应用的基本前提，保障隐私安全成为了企业及个人的共同目标。人工智能持续迭代创新，带动着新兴技术的诞生与发展。联邦学习作为人工智能和大数据的有效结合体，力图保证信息安全，是促进数据变现产生新价值的途径之一。

        为解决越来越突出的信息安全问题，百融云创率先探索“联邦学习”模式。不同于机构之间拥有独立的数据和独立的模型，联邦学习能够通过技术手段将机构之间的建模过程联系在一起，同时又能保持机构之间的数据独立，在数据不共享的情况下共同建模。作为一种加密的分布式机器学习技术，联邦学习解决了传统手段下数据安全防控的问题，避免了数据传输和集中存储、使用过程中的安全风险。与此同时，企业间通过建立关于欺诈案件、欺诈手法的信息共享能够避免重复欺诈。

        通过运用联邦机器学习，百融云创可以帮助金融机构有效解决数据孤岛问题，让参与方在不共享数据的基础上联合建模，从技术上打破数据孤岛。一方面，可以实现数据隔离，参与各方的数据不会泄露到外部，满足用户隐私保护和数据安全的需求;另一方面，通过联邦学习能够保证模型质量无损，不会出现负迁移，保证联邦模型比割裂的独立模型效果好。

        为实现技术升级与商业落地的同步发展，百融云创联合应用隐私集合求交集、联邦学习等算法，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，促进安全多方计算、机器学习等理论研究的落地，为合作方、客户之间提供一种安全、高效的数据合作模式。

        在智能信贷风控方面，百融云创利用联邦学习深耕金融业务场景，通过建立联邦安全联盟及合理的生态机制，引入更多的参与方，从而更全面的刻画用户，提升模型效果，有效识别信用风险，提升业务收益。

        同时，联邦学习在合理配置客户资源方面发挥了重要的作用。通过应用联邦学习算法，百融云创能够让金融机构实现在不转移客户数据的情况下联合建模，避免了共享或转让客户数据需获得用户授权的问题。对增量客户和存量客户的管理，尤其是对于解决存量客户的授权难题，有显著的效果。

        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，联邦学习将成为AI领域的下一个重点方向。百融云创会深入挖掘联邦学习的应用价值加以创新改进，不断赋能大数据产业，推动技术发展和商业部署。