这届人工智能能够化身“新基建”的中流砥柱,避免了重蹈“AI 寒冬”的覆辙,一个很大的原因就是,机器学习从产业层面提质增效,真正让技术变成了社会经济的价值推动力。

 

技术高速迭代的时代,也让无数从业者和普通人痛并快乐着。因为需要不断打开认知通道,敢于去触摸那些刚刚被释放出来的产业能量。

 

近日,江苏银行与腾讯安全共同举行联邦学习应用服务签约仪式,开启了联邦学习的“从云端到产业地平线”的落地之旅,也激发了不少人对这项技术的好奇。

 

联邦学习、金融业,与腾讯之间,如何搭建起一个属于未来的智能产业生态,是一个值得思考的议题。

 

联邦学习:联合与分治的技与艺

 

 

对于关注 AI 的读者来说,联邦学习并不陌生。

 

自从 2016 年谷歌最先提出并应用之后,联邦学习就被看做是下一代人工智能协同算法和协作网络的基础,国外如亚马逊、IBM,国内如 BAT、华为、平安等科技公司在积极部署和推动联邦学习产业化的进程。

 

简单来说,联邦学习就是随着人工智能,以及分布式计算、区块链等技术的协同发展,自然迭代出的系统化方案——在保护隐私的前提下,对多方的大数据价值进行挖掘,实现 AI 模型的训练与性能提升。

 

为什么需要联合与分治共存,要从当下以机器学习为代表的人工智能应用中的很多现实问题说起。

 

 

一方面,人工智能逐渐普及,对隐私安全的监管越来越严格,面对 GDPR 等一系列法律法规的出台,以数据为训练基础的深度神经网络必须做出改变,适应新的社会规范;

 

但是,合法合规的管控,又会加剧数据孤岛问题。不同机构和企业各自为营,捍卫自家的用户数据,让许多优秀算法模型无法得到充分的数据养料和有效训练,自然会给 AI 性能和准确率带来枷锁。

 

联邦学习,就在高质量数据的分与合之间,找到了辩证统一的平衡点——在不共享原始数据的前提下,利用双方的数据实现模型增长。

 

举个例子,假如 A 是银行,B 是社交平台,C 是出行打车平台,分别拥有各自的用户相关数据。现在 ABC 想要联合训练一个机器学习模型,来预测经常出没在哪些地区、关注哪些兴趣话题的人,拥有更高的偿债能力。

 

如果各个平台之间直接进行数据交换,作用用户肯定会担心暴露自己的隐私和信息安全。但不交换又该怎么训练呢?

 

答案就是,都使用联邦学习技术。在加密状态下,找到共有的用户,这样彼此都不知道数据对应的关键用户信息。用这部分数据来提取特征,并在自己的服务器上进行训练和调参,既遵守了隐私保护法规,又能够补充自己不具备的数据信息、提升双方模型的能力。

 

如此皆大欢喜的方案,大家怎么不快快都用起来呢?

 

某种程度上来说,联邦学习也是一张集合了心理题与技术题的综合考卷,只有都答对的企业才有可能推开这扇大门。

 

总的来说,联邦学习虽好,却也伴随着许多亟待解决的新问题:

 

1. 各个 AI 企业之间的协作信任关系很难建立。

 

以前企业想上马 AI,都是单打独斗式地运用自身数据自主训练,联邦学习要将各个不同行业、领域的企业并入一套标准化的系统,在一起进行多方联合建模。

 

这种合作就像南方人初入澡堂,要卸下重重防备一起享受实属挑战。如何从技术端保障企业之间的数据安全,让大多数公司愿意将数据拿出来和其他伙伴交换,有先锋公司和标杆案例的出现,用实打实的应用效果,来解决信任问题。

 

 

2. 数据样本的复杂化,训练环境的不一致。

 

即使有公司愿意加入联邦共同成长建模,也必须面对现实中,不同企业和机构所处的计算环境、网络环境、数据环境各不相同的境况。

 

比如有的公司数据质量差,没有进行标注无法被训练;有的数据分散,不同部门之间没有数据合作;还有的数据实时变化,需要花费人力去维护,缺乏联邦学习的动力。

 

3.“要想富先投入”,联邦学习的额外成本。

 

通过联邦学习降低数据、建模的综合成本,提质增效,是产业的初衷。但围绕联邦学习搭建团队、沟通对接、进行训练,也需要投入一定量资源来完成,又进一步提升了联邦学习产业化的门槛。企业不仅应该着力想办法降低成本门槛,同时也要让新参与者接收初期成本。

 

通过这些问题可以看出,联邦学习想要迈出真实的步伐,必须精准吸引那些“准用户”,来主动解答这张前沿试卷。

 

开启智慧金融新篇章,腾讯扮演了三重角色

 

 

联邦学习借由金融场景落地到普通人身边,自然不是无缘无故的。腾讯安全在此时向银行和金融机构交付联邦学习应用服务,在我看来,是在锻造新的产业“内燃机”。

 

一方面,金融场景下数据保密等级高,安全要求更为严格;同时场景变化快,又对智能技术的升级迭代有着严苛的要求。在安全与升级之间,联邦学习技术与金融领域就达成了一次情投意合的碰撞。

 

从中长期来看,金融领域的数据挖掘必然会持续受到法律法规的捆绑,这就要求其必须注重共建模型的搭建,学会“戴着镣铐跳舞”。

 

此外,伴随着传统深度神经网络算法的普及,金融机构和银行也都到了进一步发展和提升自身技术水位,与同业拉开差异化优势的阶段,以争夺增量客群。

 

而伴随着客群的规模扩大,必然会带来用户信用资质数据不足、质量参差不齐、风控风险高等潜在风险,此时联邦学习提供的共同建模,就能从根源上来帮助企业利用 AI 提质增效。

 

金融领域毫无争议地成为了联邦学习落地的第一站。作为国内最早倡导“联邦学习”技术的团队之一,腾讯安全也交付了一整套联邦学习应用服务(FLAS)产品。

 

对于盼望着技术甘霖从云端降落到地面的金融领域来说,腾讯至少扮演了三个角色:

 

1. 平台输血者——打破信任僵局。

 

前面我们提到,联邦学习想要发挥效用,既要打破各个企业之间的信任障碍,也要保障用户信息的隐私安全。

 

但大家的数据彼此之间不能“碰面”,模型训练必不可少的特征变量都变得不可见了,还怎么联合建模?面对这一难题,腾讯安全作为平台方,就起到了重要的“输血”作用。

 

借助腾讯在 20 年的安全攻防过程中沉淀出的大数据分析能力,以及腾讯安全服务中国 99%以上网民所沉淀下来的黑灰产库,积累出了三千多个风险种类的特征变量。然后,腾讯安全对联邦学习的框架进行了重新优化,在与金融机构的合作中进行融合,就能达到保护数据的同时,保障模型性能的效果。

 

比如在江苏银行的合作中,就基于对方资金流相关维度的数据沉淀下来的特征变量和特征工程,在可用不可见的情况下进行融合,只交换了机器学习的中间值(即梯度),在效果不衰减的情况下,达到了数据融合建模。

 

2. 技术前哨站,探索应用业务创新。

 

任何前沿技术的产业下沉,最终都要落实到务实的商业价值上去,联邦学习也不例外。

 

如何让技术与自身业务相匹配?腾讯生态内的实战训练,就扮演了“前哨”的角色,以自身经验+场景定制的方式,来为垂直行业进行铺陈。

 

举个例子,在办理个人信贷业务时,除了用户所在地,包括户籍地、移动运营归属地、行为轨迹等数据之外,金融机构还可以通过申请,引入诸如兴趣偏好、社交网络、收入情况等互联网产品的其他数据,通过纵向联邦学习,来训练自己的风控模型,实现更准确的综合评估。

 

腾讯安全团队在明确了联邦学习与金融业务的最佳契合点之后,充分发挥技术效能,推进行业端敏捷的业务创新。对 200 余个业务指标进行筛选与联邦建模,联邦学习联合建模新模型的 AUC 值提升 10%-15%,最大 KS 值提升 50%左右,为江苏银行的信用卡智能化管理打下了基础。

 

3. 成本精算师。

 

腾讯安全联邦学习的附加值,还体现在以高度可应用化的技术输出形式,帮助企业控制技术升级成本。

 

首先,腾讯微众银行(WeBank)提出了工业级别联邦学习框架——联邦学习开源项目 Federated AI Technology Enabler(简称 FATE);腾讯 TEG 数据平台部基于自研分布式机器学习平台 Angel,设计了一种“去中心化”的联邦学习框架 PowerFL,并研发了 FM、神经网络等联邦学习算法。腾讯安全则进一步对这两种计算框架进行了云化部署,形成了 PaaS 级联邦学习服务。

 

另外,基于腾讯的海量安全大数据,腾讯安全联邦学习应用服务可以通过云端的 SaaS 服务进行输出,让技术成果被快速下沉到产业场景中;用云交付的方式,落地到业务场景中去,不需要企业再不需要再投入人力去现场训练模型,就能达到彼此所需要的数据融合,进一步降低了训练成本。

 

同时,支持海量互联网用户参与对用户有价值的联合建模,在个人隐私数据均不出个人终端设备的情况下,利用联邦学习,金融业务可以更快速的迭代模型,更敏捷地适应市场变化,实现有价值的数据应用,提升业务的竞争力。集成化的软件和工具,以及服务的高复用性,让各种类型的金融机构不用 “重新发明轮子”,以低学习成本、高价效比的方式,就能实现 AI 联合建模。

可以说,伴随着产业智能化的继续深化,以及联邦学习的下沉,所产生的差异化优势也将真正显露出来,开启金融业的新一轮技术竞技。

 

编织 AI 新生态,向产业智能化的更远处进发

 

 

金融领域是技术敏感度最高、数据监管最严苛的行业之一。

 

由此带来了一个新的问题:当腾讯安全联邦学习应用服务开始在金融领域落地,未来会发生什么?

 

可以肯定的是,金融领域的 AI 规则必然会被改变。最直接的就是数据方将改变传统上单打独斗的思路,开始以协作、融合的姿态联合起来推动产业智能化效率的提升,未来也将改变行业获取数据、搭建 AI 的方式和门槛,打破行业“巨无霸”的“数据霸权”,释放出更多的数据生产力。

 

 

在此基础上,金融领域的应用只是联邦学习产业潜力的冰山一角。数据规制的严格化将是智能社会发展的整体趋势,未来在零售、医疗、工业、政务等各个智慧场景中,联邦学习都将担负起捍卫安全、降本增效的责任。

 

从这个角度讲,联邦学习如同一个操作系统一样,亟待建立一个标准化、生态化的繁荣技术圈。而与大数据打交道最为频密的腾讯生态土壤,有着举足轻重的价值。

 

陈寿在《三国志》中写过,和羹之美,在于合异。把各种不同的数据味道合在一起,腾讯安全烹制出的这道名为“联邦学习”的菜肴,也将是技术落地节点中,从智能社会的地平线上生长出的馈赠。