微众银行杨强：联邦学习进入2.0阶段，已在多个金融场景中探索落地应用

记者|刘晨光

随着数字化转型进入深水区，微众数据安全日渐成为重要议题，银行杨强已多应用这一议题也是联邦落地人工智能领域“隐私计算”的重要研究范畴。

“在人工智能领域，学习隐私保护技术‘联邦学习（Federated Learning）’作为一种分布式的进入阶段景中机器学习新范式，已成为推动人工智能产业应用深化、个金数据要素流通、融场数据价值释放的探索关键技术。”联邦学习FATE开源社区技术指导委员会主席、微众微众银行首席人工智能官杨强近日在接受界面新闻记者专访时表示。银行杨强已多应用

针对隐私计算和联邦学习所面临的联邦落地安全、效率、学习性能之间的进入阶段景中平衡问题，近期杨强及其团队提出了“可信联邦学习”概念。个金“可信联邦学习”以隐私保护、融场模型性能、算法效率为核心的三角基石，以模型的决策可解释性和可监管性为两大支柱，共同构成了更加安全可信的联邦学习。

杨强指出，联邦学习的主要目的是让数据可用不可见，即在多方合作、融合多个数据源的前提下，通过模型让多源数据综合发挥价值，同时保护每一个数据源方的隐私和数据安全，“不仅满足了数据安全法相关的法律条款要求，且有力地支持相关法律法规和政策的落地，让大规模的数据要素流通可以有效执行。”

谈到联邦学习和AI技术之间的关系，杨强指出，联邦学习是随着AI的发展，利用分布式多方建模的手段将模型作为一个主体进行生产、使用和管理而产生的。在杨强看来，一般AI都是基于一个中央服务器，存储所有数据，但是AI落地时，却遇到了很大挑战，即“大家不愿意把数据给贡献出来，”这里面涉及很重要的隐私问题。

杨强指出，面对这个挑战的好办法，即联邦学习，它可以为AI打开一个路径，这样使用方既可以训练所需的模型，又可以保护数据隐私，“联邦学习不仅是AI的下一站，也可以看作是大数据的下一站。”杨强直言。

杨强指出，当前联邦学习已经进入2.0阶段，核心在于创建一个大数据和数据要素的生产关系，一种透明可追溯的生产关系。“最好的算法，能够平衡安全性和效率。效率又分训练效率和准确率，多方计算的场景下，一般都会面临平衡问题。”他认为，联邦学习进入2.0阶段，即是能够事先设计出一个最优算法，又能够证明它是安全的、高效的。

由于金融行业对于隐私性保护要求非常高，自然对于数据处理方面产生了更高的要求，联邦学习天然适用于金融行业的发展需求。

金融行业正在进行数智化（即数字化和智能化）的转型过程，在此过程中离不开数据要素流通，即数据从一个地方流到另外一个地方，因此要对数据定价，并且对数据的安全隐私进行保护。“金融的一些重要特征，包含数智化、可交易化，都是数据要素的流通，这些都离不开联邦学习，它是一个有力的工具。”杨强说道。

他告诉界面新闻记者，当前联邦学习已经在数个金融场景中探索落地应用。如在反欺诈场景中，借助联邦学习技术，可以在保证用户隐私信息、企业的数据安全以及企业的数据所有权与控制权的前提下，融合银行机构、电商、运营商、政务等多元数据，实现跨行业、跨机构的反欺诈体系建设。

“基于金融行为特征、消费行为特征、通信行为特征、社交行为特征等，联邦学习可以构建针对不同细分金融反欺诈业务场景的专有模型，通过跨行业、跨机构的多样性欺诈数据特征互补，从而提升金融行业的整体反欺诈能力。”杨强说。

第二个应用场景即是信贷风控场景。在信贷风控领域，针对中小微企业信贷评审数据稀缺、不全面、历史信息沉淀不足等问题，通过联邦学习，银行可以在确保数据提供方数据安全以及隐私保护的情况下，融汇企业经营数据、税务数据、工商数据、支付数据等多源信息，丰富建模特征体系，共同提升模型的有效性。

“通过将风险前置，从风险源头切入，采用隐私计算还可帮助金融机构过滤信贷黑名单客户以及过滤明显没有转化价值的贷款客户。”杨强说。

联邦学习的发展目标是助力金融机构在金融监管和科技进步之间寻求平衡。杨强指出，未来技术发展和金融变革之间应该注重一个关键点，即是如何让技术和法律法规有机结合。

“现在有数据安全法，还有金融行业的一些规章制度，有一部分是可以通过技术来实现的，但是有一部分需要有法律和监管。这两方面的有机结合是未来探索的重要方向，可以尝试无缝对接，既要有技术保证，又有法律和规章保证，同时又需要让整个决策过程变得可解释、透明，并且做到可监管、可问询、可追踪。应用联邦学习技术，可以使得法律法规落地变得更高效、安全”

杨强告诉界面新闻记者，从广义范围来看数据计算，未来在管道里跑的可能不仅有数据，还可能会有模型。“未来，所有需要人工智能和大数据的行业，都面临着不断的升级迭代，包括模型的交流、组合、更新、认证、审计，这些都离不开联邦学习，而未来的联邦学习，也会更多地面临数字化联网及多方协作的需求。”

最新评论