蓝象智联发布战略性金融级隐私计算产品品牌,GAIA系列首度亮相【星特写】
掘金千亿级别数据要素市场
对金融机构来说,数据的应用能力决定着发展的天花板。近年金融机构加快数字化转型,尤其在引入大数据、云计算等技术后,越来越多的头部金融机构在业务交易能力上具备了头部互联网金融机构的爆发力,无论是业务量暴涨、还是业务形态的创新,都可以较好满足,如每年的“618”、“双11”等。但仍有大多数金融机构尚未完全具备像头部互联网金融机构应用数据的能力。
徐敏认为,金融机构首先要有能力通过合规、合法和可持续的手段把更多的数据源引入到业务中。目前已经证实,除了金融机构自有数据之外,来自运营商、政府、企业SAAS或互联网平台的数据对业务创新有非常显著的作用,隐私计算和区块链技术结合,就是让大家可以合规、合法和可持续地把有价值的数据引入到金融业务中。
市场预测,2020年是隐私计算元年;2021将是应用落地年,市场空间巨大,会在多个行业会衍生出大量的隐私计算和联邦学习的适用场景,部分场景也会从最初的应用试点到全行业推广。作为创业公司,蓝象智联更聚焦围绕金融行业的需求,从运营商、政府、企业SAAS平台或者互联网平台等数据源来找匹配的数据源,重点关注营销和风控两大领域。
2
隐私计算相关技术日臻成熟
在机器学习领域,框架性的问题有很多解决方案,但是数据的共享问题一直没有好的答案。如何在保证隐私安全的前提下利用数据是人工智能发展面临的一大难题,而联邦学习框架的提出,为解决该难题提供了一个高可行性的方案。
联邦学习主要解决的问题是在企业各自数据不出本地的前提下,通过加密机制下的参数交换与优化,建立虚拟的共有模型。这个共有模型的性能和传统方式将各方数据聚合到一起使用机器学习方法训练出来的模型性能基本一致。通过这种方式,可以从技术上有效解决数据孤岛问题,让参与方在不泄露用户隐私数据的基础上实现联合建模,实现AI协作。
联邦学习通过加密机制下的参数交换方式保护用户数据隐私,加密手段包括同态加密等,其数据和模型本身不会进行传输,因此在数据层面上不存在泄露的可能,也不违反更严格的数据保护法案如GDPR等。在目前GDPR等更严格的数据保护方案下,联邦学习是对用户数据隐私保护更为有力的手段。
联邦学习按照数据集X特征变量和Y目标变量的特征重叠情况,分为横向联邦、纵向联邦、联邦迁移学习。横向联邦意味着两家公司需要数据格式一致,那么大概率是在同一领域的相互竞争的两家公司,合作的概率不大,因此横向联邦是很难有大的市场的。目前纵向联邦建模应用较多,尤其在to B业务中。一家数据非常全的公司,然后其它公司跟这家公司撞库,即可碰撞出很多商业合作场景。
目前,国内已涌现成熟的隐私计算的场景。
11月26日,中农工建等170家银行业金融机构和银联数据、建信金科、腾讯、百度、京东数科等金融科技公司,以及普华永道、安永等咨询公司,字节跳动、饿了么、中兴通讯、顺丰物流等产业链企业产业相关方参与的“金融数字化发展联盟”正式成立。在成立仪式上,银联数据和新网银行联合推出的“短时多头”联合风控平台,这个平台目前已投入使用,有4-5家金融机构已经基于它在跨机构查询短时多头名单,这也是目前已经投产的、最多金融机构参与的基于多方安全计算的金融联盟。
参考来源:
https://www.8btc.com/article/676854
https://baijiahao.baidu.com/s?id=1685323434381967276&wfr=spider&for=pc
https://mp.weixin.qq.com/s/D-Uz-F1FWJ7_dwx-j2KmQQ
相关阅读:
觉非科技李东旻:智能数据创新,引领车路协同【星特写】 这场“登月之旅”,小马智行完成了一大步【星特写】 后疫情时期,这家公司让“团险”成为企业粘合剂【星特写】 VCSEL正当红,国内市场大有作为【星特写】 尾款人的千亿狂欢背后,这家公司的直播帮了大忙【星特写】