<mark id="oztn4"></mark>
0
本周，“2021人工智能產業論壇：數據要素與隱私計算”在成都舉辦，由中國人工智能學會主辦，星云Clustar承辦。論壇上，近二十位來自人工智能、金融科技的學術界、產業界人士，圍繞隱私計算、數字金融等話題展開了深入的探討。
專家們在會上一一指出數據要素從誕生到使用、交易的各種痛點所在，并結合自身實踐經驗給出了發展路徑的思考；金融機構、政企合作如何借此良機推動數字化進程、擺脫種種陷阱，也同樣是論壇的一大重點。
恒生電子研究院院長、原上海交易所總工程師白碩就指出，“跑馬圈數據”時代的兩大痛點，是合作難和鏈條長。解決方案是加寬加高底座，打造一個開放的生態。數據智能革命會從數字化的中臺開始，數據是基礎，中臺是關鍵場景的規劃，隱私計算是當中較為突出的技術之一。
數據容易被復制、泄露、擴散，這種特性對市場非常不利，以至于有些人認為數據的經營和交易有可能是一個偽命題。
數據的構成也相比之前變化頗大。例如資本市場，從資訊商提供主流數據行情、上市公司標準化解決數據等，進入到非標數據分析的時代，大量的另類數據、非結構化數據出現。
數據生態起了根本性變化，為此有四種選擇誕生：過去互聯網平臺的發展模式；政府數據所謂的數據服務模式；萬德、同花順這類私有終端的傳統模式，單一廠家掌控所有的數據來源；數據聯盟。
傳統打法可能不再是主流，私有終端也未必能應對另類數據的龐大體量，聯邦化的技術發展正值窗口機遇期。
數據到場景的鏈條過長，從附加值低的裸數據，轉型艱難的帶標數據，再到智能化深加工的數據、場景數據，各階段所需技術不同，不同技術的擁有者變成了要“分段”體現自己的價值。這意味著誰能打通全鏈條，就可能占據生態上的優勢。隨著隱私計算走向成熟，機會也出現在了to B的聯邦化數據經營戰場。
新的機會，縱向看，內容集成商對接數據到場景的舊做法，可能會演化到全棧服務商提供內容深加工的形式；橫向看，外部數據、服務會通過帶保護的方式，進入到基礎業務能力，合并形成統一的聯邦化中臺再對接業務。
加拿大工程院院士、加拿大皇家科學院院士楊強，則就《數據要素與聯邦學習》為主題帶來分享。他指出，數據的特點之一是增長迅猛，布置起來零成本；數據的價值屬于場景的定義，場景不同、價值不同；同時它也具有馬太效應，更容易形成壟斷。
數據分為可用和不可能，前者又細分為可見和不可見。我們如今感興趣的，實際上發展的是可用和不可見的分支上。
第一階段，上世紀七八十年代，安全多方計算，針對精確計算和數據庫查詢的隱私保護需求而提出。安全性非常強，有理論證明，效率卻非常低。
第二階段，針對效率問題，提出差分隱私概念。通過概率方法引入噪音，使得查詢方不能窺探數據庫內。缺點是不能完全保障安全，且大量增加通知量。
第三階段，集中硬件加密計劃。硬件廠商提出新的芯片，使數據進入安全加密計算，一方看不到其他方數據，計算結果大家可以得到。
第四階段，聯邦學習，針對這種大規模復雜的計算多方計算而建立。
（推薦閱讀：《微眾銀行首席AI官楊強：萬字圖文詳談聯邦學習最前沿》）
機構間建模時，多數依靠特征補充來建立更好的模型。當機構和設備重疊不多時，可引入遷移學習的概念，把數據空間給遷移到一個新的空間，這多數是用在異構的數據。
還有一個重要研究方向，是激勵機制的建立。例如利用區塊鏈來記錄審計，每一個數據擁有方對整個聯合模型的貢獻。這就需要一個公平的利益分配原則，需要經歷機制設計的過程。
應用方面，首先在金融的交叉營銷、反洗錢，可以通過聯邦學習把他們的數據聯合建筑，把模型的特征空間加以擴充，完成聯合建模；以及醫療診斷、物聯網、無人車網絡等。
總體來說，聯邦學習是多學科的交叉，包括安全合規，如何防御攻擊和提升教育，如何廣泛的來進行技術應用，還有如何建立這種聯邦機制聯盟的機制，以鼓勵大家持續的為經濟體為生態貢獻。
而隱私計算的商業模式也逐漸形成，例如平臺建設方靠硬件產品部署和提供利用項目建設的方式收費；咨詢服務商幫助大平臺進行數據價值解讀，利用數據運營等。
香港科技大學智能網絡系統實驗室主任、星云Clustar創始人陳凱，與清華大學金融科技研究院副院長、華控清交創始人徐葳也就隱私計算和數據要素兩大主題，帶來了一場深度對話。
數據保護現狀是否也促成了更多潛在的商業機會？對此，陳凱表示機遇與挑戰并存，面臨的挑戰首先是產品；徐葳則指出，長遠來看，挑戰仍然在于數據能否帶來價值。
而對于技術應用角度如何積極適應規則，陳凱表示，很難有一個技術/算法能夠最小地完成最小影響，最小范圍、最短時間；法規是在技術研究上給予約束條件，幫助推動研發和落地的進程。
當被問到隱私計算未來發展的特征，陳凱表示建立安全的數據網絡意義重大，如何處理大量不同機構間的異構數據、性能和規模上處理海量數據、如何讓利益共享的性能有指數級的提升，當中有許多值得努力研究的難題。
徐葳則笑稱“只有爛大街的技術才是好技術”，認為一項新技術未來的表現，要看技術本身能否成功、使用門檻能否降低。數據源也在逐步有機生長，很多不同行業、不同地區的小平臺被建立起來交換數據，如何讓這些異構平臺也增長成功、小的計算方法和技術整合起來，實現規模經濟，也值得關注。
百度安全產品總經理韓祖利也認為，數據要素呈現幾大趨勢特性：規模上升，類型增加，數據價值密度降低，應用場景也在泛化。
在他看來，當代數據安全的核心要義：應對強對抗的安全問題，非對抗安全和內部使用的權限、審計，隱私保護。因此一個方案如果誕生，應具備三個特點：覆蓋數據全生命周期，一體化的集中治理平臺，和合規的數據使用、流通形式。
成都大數據集團總經理顧勤就表示，關于科學要素流通的創新實踐主要有三個階段：公共數據運營；整體數據流通，政府的公共數據和社會企業的數據間產生碰撞；產業數據的協同。
以第三階段為例，即產業數字化，有兩種方式：傳統產業的體能升級；創新產業的協同效應，通過系統的互聯、數據的交互，產生新的價值和場景。
第四范式副總裁、主任科學家涂威威，則在演講中提出這樣一個問題：傳統的數據安全設計，能夠覆蓋AI應用的范圍嗎？
在訓練到預測的許多環節里，都出現了他們預想不到的攻擊方式。多種看似正常合法、實為攻擊的手段，已經發展頗為成熟。
例如AI公司對外提供信用卡授信模型，攻擊者可以通過不斷申請、使用授信服務，將反饋回來的數據用于“猜測”那個授信模型。如果這樣的新模型被訓練出來，攻擊者有可能就會猜到訓練集的內容，相當于數據泄露，但該過程中的行為均是合法的。
很多研究陷入了停頓狀態，AI應用是一個廣大的系統，攻擊者能以任意方式攻擊。在實際應用當中，即便這部分防住了，其他地方依然有很多的缺口。而AI相關理論目前尚未辨析清楚，如果用于引申的AI應用當中，其實際指導作用十分有限。
為此，從傳統IT安全角度出發，從商業邏輯和可行性出發，討論隱私安全是一種矛與盾的理論，要加強對攻擊者的研究。
論壇的下半場則關注數據要素與數字金融。國家金融與發展實驗室副主任曾剛，從金融機構數字化的角度切入，指出需要組織架構和數字化基礎架構的調整、創新；數據資產化能力和數據治理、數據營銷和運營能力、數字化風控能力，只有少部分金融機構做到了。
以前是實現商流，物流，資金流三流合一，這個是打造閉環模式重要的理念。但是現在這個閉環模式意味著對數據的壟斷，所以要打破。
最后他強調，數字化的本身并不是技術多高、計算能力多強、準確率多高等，從傳統金融機構角度來講，核心是服務客戶的需求。因此數字化并不是一味追求數據領先性，而是適應性，適宜性，尋找最合適的技術。
清華大學國強教授、智能產業研究院首席研究員聶再清，也提出了兩個具有挑戰意義的問題：
一是模態數據。如何聯系不同模塊來提升AI的認知能力，使其綜合應對實際應用的水平提升，應用好各模態間的信息？
二是多模態應用，訓練成本頗高。如何提升人機協作的效率，更多利用AI來低成本生產高質量的知識和訓練數據？
那么，在可信AI原則下，如何發揮私有數據的價值？他指出，要這些原始數據利用機器學習變成知識；通過經濟方式共享、聯邦的方式，看到“私有財產”數據的價值，得到應有的經濟回報。
建信金融科技創新實驗室總經理王雪，分享了建設銀行和建信金科在數據和隱私監管趨嚴的前提下，對解決路徑的思考：
一，所需要的隱私計算平臺本身的功能，一定是和場景、需求強綁定的。其開發過程需要由長激動不斷調整和驗證。
二，在此過程中，場景和生態要有相互促進，場景和運營能力的不斷提升對平臺起到反哺和教學的作用。
三，核心思想仍然是通過隱私計算能力實現數據價值最大化。
王雪也結合了數易聯平臺的建設，介紹了建行對該平臺的規劃細節。她表示聯邦學習也在集團內部有所應用，用于產品營銷、政務數據的融合與挖掘等。
星云Clustar的CEO陳沫也透露，他們已與建行合作搭建了一個聯邦學習的聯合建模平臺。
光大信托信息技術部副總經理、數據中心總經理祝世虎就指出，很多中小銀行在金融科技上落入后發劣勢，后浪可能僅學習前浪表面容易實現的部分；而前浪也容易陷入一套模型對所有業務、建模套路化的陷阱，模型容易失去準入效果。
他預測，未來金融科技發展會有六大方向：
深度學習算法將會被廣泛采用，隨著數據的進步，深度學習算法才會充分發揮活力；
多模態數據、非金融數據會廣泛使用；
網絡發展解決了反欺詐的問題，圖譜能夠識別新型欺詐，多維圖譜的不斷豐富會成為銀行的第二數據源；
聯邦學習會大規模落地；
算法的可解釋性將會被逐步重視，近兩年都集中在特征重要性的排序上。不過也不要一味追求可解釋性，智能的本質是利用算法和數據，抓住那些被埋沒的不可解釋信息出來。
自動化的監控平臺將會逐步的升級為模型風險管理平臺。
雷鋒網雷鋒網雷鋒網
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
