突破人工智能的最后一公里
时间：2022-03-14 18:09:01 | 来源：行业动态
时间：2022-03-14 18:09:01 来源：行业动态
在王健宗博士看来，联邦学习是突破人工智能最后一公里的必经之路。基于联邦学习所打造的联邦智能还是属于人工智能的范畴，其最终目标是实现真正的智能，但是在实现人工智能过程当中需要一个强有力的，能够突破瓶颈的推手，这就是联邦智能的一个机会。我们和英特尔一起共同打造联邦生态。联邦学习生态的目标是通过联邦学习、提联邦数据库、联邦数据中心、联邦可视化，来共同实现的联邦智能。联邦智能和联系学习的关系就像人工智能和深度学习之间的关系，联邦智能是应用在联邦学习技术基础之上实现一个联合建模，为特定的场景实现整体解决方案，将来在人工智能之后很有可能就是联邦智能。
联邦学习可以在本地进行模型训练，数据参数要汇总到中心服务器上面，进行联邦处理，中心服务器再将训练好的模型下发到各个数据应用方。根据不同的数据情况，联邦学习的方法可以分为联邦横向学习、联邦纵向学习两类。
对于联邦学习的优势，王健宗博士解释道，传统方法是将所有的数据整合到一方进行训练，而经过联邦学习训练后得到的训练模型效果是可以做到精度不低于将数据直接整合，然后进行模型训练的效果。其次，联邦学习过程中，每个参与方的数据是完全保持在本地的，每一次的得带需要上传的只又模型的梯度参数，这就充分地保证了数据的安全性。再次是隐私性，联邦学习在数据交换过程中有加密机制，无论是同态加密还是差分隐私技术，进一步保障了传输参数信息的安全，用户的隐私得到了最大化的保证。最后，在法律法规要求越来越严格的情况下，联邦学习满足了合法合规的要求，这也是联邦学习一个很大的优势。
正是这些优势，联邦学习在场景应用方面具有广泛的前景。以联邦学习在保险行业的应用为例，以往用户在投保时，业务人员只能根据用户的年龄、性别等基本信息来确定保费金额。但随着信息社会的不断发展，用户数据的数量和特征维度得到了大幅的增加。例如对于健康类险种来说，业务系统如果能够利用海量的病历、家族病史等数据进行AI预测，同时还能实现对用户数据隐私安全的充分保障，并得到更加细分的健康评估类别，就有望提升投保人健康评估结果的准确度。
但病历、病史等，无疑是各个健康医疗机构中需要绝对确保隐私的数据，不仅不可能予以公开，更需要提升安全等级予以保护。现在，通过联邦学习方案的引入，保险企业可以在不触及用户数据的情况下开展保险定价模型的AI训练。
相对于互联网领域，金融领域在监管方面的要求力度更大。也就是数据不出本地的要求更加严格，联邦学习的优势是打破数据孤岛，在保证安全性以及隐私性的要求下，允许跨数据所有者建模。联邦学习在金融场景中有着广泛的应用，比如客户画像、精准营销，包括联合建立风控系统等。王健宗博士提出，以精准营销为例，平安科技和平安集团其它金融子公司合作，定位到我们同一批用户，可以利用推荐模型打包推荐产品，更好地进行用户行为分析以及交叉销售，这就是联邦学习的力量。
在线咨询
