网络资讯：微众银行获最佳联邦学习应用奖 持续推动AI应用实现价值创造

在我们身边都发生着许多新鲜事，当下的实时热点，最热话题。我们应该多为自己充电，多掌握些知识才能让自己见多识广，眼下互联网、科技、数码已经与我们的生活息息相关，密不可分了。今天小编就整理了一些的讯息，分享给大家。

12月17日，由主办的第三届“AI最佳掘金案例年度榜单”评选结果揭晓。其中，微众银行作为“AI+金融”领域的杰出代表荣登榜单，获得“最佳联邦学习应用奖”。

图：微众银行获(公众号：)AI最佳掘金案例年度榜单“最佳联邦学习应用奖”

“AI最佳掘金案例年度榜单”是基于对人工智能产业的调研和资源积累，联合政、企、学、投资四界的评选委员启动的业内首个人工智能商业案例评选活动。微众银行凭借领先的联邦学习研发技术与丰富的应用从1028家参选企业中脱颖而出，展露深厚的商业化落地能力。

图：AI 最佳掘金案例“AI+金融”年度榜单

近年来，微众银行AI团队针对数据隐私保护与数据孤岛的难题，在国内首提“联邦学习”技术，这是一种加密的分布式机器学习新范式，能够保证数据拥有方在数据不出本地的前提下联合建模，兼备建模的安全性与高效性。在经历以隐私保护为重点的基础理论阶段之后，微众银行AI团队持续深入推进联邦学习的落地场景，将联邦学习应用于金融、零售、医疗等不同领域，目前已积累了丰富的成功案例。

联邦学习赋能智能风控，助力普惠金融构建安全堡垒

在AI+大数据领域，微众银行AI团队研发了智能评分引擎。如今，大多数小微企业只持有央行的征信报告，还缺少税务、工商等更多维度的数据，因此对客户缺乏更全面的了解。对此，微众银行AI团队自研智能评分引擎，在纵向联邦学习技术的基础上，联合开票金额与央行的征信数据等标签属性共同建模，更加精准地刻画企业的信用状况。目前，智能评分引擎已经将其建立的小微企业风控模型区分度——AUC of ROC（即衡量模型区分好坏样本的重要评估标准之一）提升至12%，在预估企业风险上取得了显著的效果。

图：基于联邦学习的企业风控模型

场景应用成效显现，联邦学习发力智能化精准营销

在AI+营销领域，微众银行AI团队首创联邦推荐与联邦广告，将联邦学习引入营销解决方案，以实现金融营销中用户的拉新与促活。以银行APP为例，银行APP通常只能观察到用户的存取款、贷款、定投等有限的用户偏好，再加上隐私保护条例的限制，APP无法直接从第三方机构获取相应的数据，导致有效数据不足。对此，微众银行AI团队提出联邦推荐技术，基于自研开源框架FATE的高效架构，联合金融机构与丰富的第三方数据建模，在此过程中，双方原始数据不出本地，且交互加密，既能保证用户隐私与数据安全，又能借助丰富的第三方数据的优势达到促活的目的，实现金融产品的精准推荐。微众银行AI团队将联邦推荐算法总结成三类，如下图所示，包括横向联邦推荐算法（也可称为基于商品的联邦推荐）、纵向联邦推荐算法（也可称为基于用户的联邦推荐）和迁移联邦推荐。

图：联邦推荐算法分类

此外，金融产品用户拉新的转化链路过长，一个线上贷款产品通常需要经历广告展现、点击、留资、进件、风控等层层步骤，才能完成获客。受隐私保护的限制，金融机构无法将后端转化数据回传给第三方广告平台，转化数据的敏感限制了广告投放的效果。针对以上痛点，微众银行AI团队提出联邦广告，能够让广告主将转化数据混合加噪加密，对齐加密数据后建立转化预估模型以提升广告的分发效率，且广告主的开发过程仅需1-3天/人。

图：联邦广告流程图

联邦学习防御升级，击碎AI幻觉

在AI+服务领域，微众银行AI团队深耕联邦对抗技术。由于人脸识别、语音识别等重要的AI+金融应用场景极易受到攻击，攻击者可能会在人脸核身的过程中伪造攻击样本，欺骗模型将不同人的照片识别成同一个人，安全问题亟需解决。对此，微众银行AI部门将对抗样本攻击及防御技术结合联邦学习技术应用到人脸识别与语音识别的服务中，提升了人脸识别模型抵御对抗攻击的水平与语音识别模型保护用户安全与隐私的能力，有效进行风险控制，打造安全高效的开户核身系统。

图：基于联邦对抗学习的智能核身解决方案

除了金融领域，联邦学习还可以有效应对信息孤岛对智慧城市发展的制约，助力建设智慧城市，解决安防场景的高度复杂性与高算法要求的痛点，在零售、医疗等领域也都有所建树。微众银行目前在联邦学习应用所取得的成就仅代表这一技术发展潜质的冰山一角。未来，随着联邦学习的技术发展与产业生态化建设，将有更多行业可以依据这一技术实现降本增效、开源节流，推动人工智能普惠时代的真正来临。

版权文章，未经授权禁止转载。详情见转载须知。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！