|
作为科技发展的应用者和践行者,行列秩紧跟人工智能与联邦学习(Federated Learning)发展趋势。2019年-2020年间,行列秩在联邦学习领域的研究与成果应用,帮客户在内容管理、风险防控和数据安全等方面发挥了行之有效的积极作用。 “Google等互联网主要在用户设备端,即C端,实现联邦学习,使各类app应用更加聪明,在保证数据安全的同时也提升了用户体验,” 行列秩人工智能研究专家在分享中说,“在金融风控领域,大多项目都基于用户数据的联防联控,最有价值的数据往往存放在业务场景中。为保证个人隐私的安全性,联邦学习应运而生,行列秩大力投入研发的联邦学习与加密算法相结合,更多是在B端合作,保证原始数据不出库的情况下,使用经过梯度交换进行风控模型的建模,从而降低使用中心化机器学习带来的系统性隐私风险,真正能够实现数据有效隔离、效果无损、合作对等和共同获益,有效促进信贷的联防联控。” 总体来看,联邦学习在从C端应用向B端产业应用演进中,形成了更为通用的解决方案:
一、横向联邦学习,是样本中用户不同,特征相同,即Google的方法;
二、纵向联邦学习,即样本中用户相同,特征不同,适用于拥有同一批用户的不同企业;
三、迁移联邦学习,即样本中用户、特征都可能不同,这样可以通过数据的升维或降维,从而进行另外数据子空间的迁移学习。 得益于联邦学习的技术特点,金融领域成为联邦学习最先进行应用落地的主要场景。通过联邦学习实现的信贷风控的数据网络增强,可以在贷款前更好地判断客户风险,有效过滤劣质客群,进一步降低贷款审批流程后期的信审成本,在贷款中,实现用户行为的动态评估进而进行授信额度调整。随着联邦学习的继续发展,金融行业服务模式将更加安全化、个性化、智能化。 虽然未来不可预见,但联邦学习搭建的信任桥梁,将让机构与用户、机构与机构之间共享普惠人工智能的成果。而这座联邦学习生态之桥的建设不仅是行列秩致力的使命,更是值得行业深入思考与激发的未来创机新方向。 |
