数据治理矛盾的解决之道:联邦学习
移动支付网 2020/10/20 10:31:39

以大数据、人工智能、云计算、物联网等为代表的新兴技术在金融领域加速应用,金融科技成为金融机构数字化转型的新武器,也是践行普惠金融、发展数字经济的新引擎。

数据则是金融科技这具引擎中当中不可缺少的动力燃料,对于数据的使用治理越来越被金融机构所看重,如何最大效率的发挥数据的潜力、做好数据治理成为了金融机构在数字经济时代转型的机遇。

但机遇往往不是那么好抓住的,人民银行科技司司长李伟曾撰文表示,当前,金融业数据治理过程中普遍存在“不愿、不敢、不能”共享的问题。

多数金融机构都将数据作为战略性资源,认为拥有数据就拥有客户资源和市场竞争力,主观上不愿意共享数据。

部分金融数据具有一定敏感性,涉及用户个人隐私、商业秘密甚至国家安全,数据共享可能存在法律风险,客观上给机构间共享数据带来障碍。

由于各机构数据接口不统一,不同机构的数据难以互联互通,严重阻碍数据开放共享,导致数据资产相互割裂、自成体系。

如何解决金融数据共享与数据隐私保护之间的痛点,更好地发挥数据潜力成为了很多金融机构的所面对的题目。

在2016年,谷歌科学家H.Brendan McMahan提出“联邦学习”,又名“联邦机器学习”,能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下进行数据使用和机器学习建模,降低了传统中心化机器学习带来的隐私泄露风险和因数据泄露带来的相应成本。

据了解,联邦学习是基于数据隐私保护的安全计算框架,是一系列技术实现的统称,为机器学习、深度学习、迁移学习算法提供安全计算支持。安全底层支持同态加密、秘密共享、哈希散列等多方安全计算机制,算法层支持多方安全计算模式下的逻辑回归、Boosting、联邦迁移学习等。

假设有两个不同的企业各自拥有不同数据,按照欧洲GDPR用户隐私准则不能粗暴地将双方数据加以合并。联邦学习可以做到各个企业的自有数据不出本地,然后通过联邦系统进行在加密机制下的参数交换,即在不违反数据隐私法规情况下,建立一个虚拟的共有模型。这个虚拟模型就好像能达到数据聚合在一起建立的最优模型一样。

目前联邦学习已经开始在金融行业中落地实践。北京金融科技创新监管第二批11个试点名单中,腾讯安全灵鲲与浦发银行、北京金控共同合作的“多方数据学习‘政融通’在线融资项目”成功入选,成为全国首个基于联邦学习的普惠金融试点应用。

此外,今年9月,微众银行领衔首个联邦学习国际标准获IEEE全票通过正式批准出台。

11月3日,由北京金融科技产业联盟、移动支付网联合主办的“2020第五届中国金融科技安全大会”将在深圳举行。

微众银行人工智能部副总经理陈天健将以《金融数据共享与安全解决方案:联邦学习》为题进行主题分享,以微众银行的实践案例为基础,探讨联邦学习这一人工智能技术如何成为金融数据共享与安全解决方案,驱动行业数字化转型。

陈天健,微众银行人工智能部副总经理,负责微众银行智能化和联邦学习技术生态的构建。曾任职于百度、腾讯、华大基因等多家科技公司,曾任百度主任架构师,百度金融首席架构师,设计百度搜索、推荐、大数据、金融等多个业务的总体架构和关键系统。


展开全文
相关阅读
资讯查询取消