手机网站
手机网站
近年来，世界经济增长放缓，国际社会风云变化，大国间摩擦不断，贸易保护主义崛起，反全球化现象频繁出现。 同时，世界技术创新的发展也面临着前所未有的挑战。
科学技术是生产力中最活跃的因素，科学变革和技术进步既给人类带来幸福，又带来一系列问题甚至安全风险。 例如，目前人们对人工智能的安全、控制、可靠性、说明性等问题仍在争论之中。 另一方面，由于AI对经济社会活动的影响越来越深，AI正从生产环节的优化进入分配环节的决定。 另一方面，人们必须为经济增长缓慢的分配关系越来越紧张的责任找到载体。
例如，欧盟于2018年5月25日正式实施了历史上最严格的个人数据保护条例GDPR (通用数据保护条例)，2019年1月21日谷歌公司成为首家依照该法律受到高额处罚的美国科学技术公司，被罚款5000万欧元。
尽管有这样的情节，AI作为下一代技术革命，被认为是未来世界经济增长的重要原动力。 根据Gartner最新发表的预测报告，2022年人工智能推进的商业价值将达到3.9兆美元。 当前，面对复杂、变化激烈的国际政治环境和斗争环境，人工智能产业最需要解决的是如何找到新的航线，实现GDPR等符合法律法规的人工智能算法设计，实现人工智能和数据水平的公平合作。
消除了数据不足，微银行AI队开辟了新的航线
事实上，有前瞻性的人工智能科学家、人工智能团队和企业已经开始行动。
最近，国际人工智能领域最权威和最重要的协会之一aaai ( associationfortheadvancementofartificialintelligence )在美国召开了AAAI 2019年。 建议通过联邦学习框架解决数据安全、不足等问题的微银行首席人工智能官( CAIO )、国际人工智能学会理事长杨强教授作为特邀演讲嘉宾发表了题为“GDPR、数据不足和人工智能”的特邀演讲( AAAI Invited Talk )
(微银行最高人工智能官( CAIO )杨强教授的主题演讲“GDPR，数据不足和人工智能”的现场)
杨强教授在演讲中指出了当前数据短缺的根本原因。 “目前机器学习最脆弱的环节，不是算法结构不充分、精确度不足，而是在高质量数据可用性方面面临着严峻挑战。 在许多实际应用中，数据之间相互隔离。 数据整合越来越困难，部分原因是用户对隐私和数据安全的严重关切。 严格的政府法规，如GDPR的执行，使许多大型数据公司无法交换数据，这对于依赖数据的机器学习来说是一大课题。
对此杨强教授表明微型银行AI正在寻找领先业界积极向前的应对方法，正在考虑将GDPR纳入人工智能和机器学习框架的方法。 其中联邦迁移学习Federated transfer learning作为一个重要的例子，可以利用双方的数据实现共享模型的性能发展，而无需共享各自的数据。
实际上，微型银行这一技术构想已经得到业界的认可。 2018年12月4日，电气电子技术人员协会标准委员会( IEEE Standard Association )对微银行开始的联邦学习框架和应用规范的标准p3652.1 (指南forarchicalframework和applicationoffederateded ) 微银行将成为工作组的召集机构，工作组主席由杨强教授担任。 工作组在联邦学习算法框架规范、使用模式和使用规范方面推动相关国际标准的制定，支持和指导不同类别企业在合作过程中合法合规的共同使用数据。 作为工作组主席，杨强教授在会议上介绍了IEEE联盟标准工作的进展，引起广泛关注，反响热烈。
并且，在这次AAAI 2019年会上，在微型银行AI队伍的展位前，很多学者教授、工业专家、国内外学生积极地与微型银行的现场工作人员交流，从而加深了解，寻求合作和人才引进。 微银行AI团队也在AAI大会上委托了联邦过渡学习的教程，系统地阐述了联邦过渡学习的理论依据和实践实例。
杨强教授在人工智能领域殿堂级别的年会上受到邀请，无论是电气电子技术人员协会标准委员会批准应用规范的立项，还是展位前的参观者交流，微银行AI团队的技术能力和尖端研究都已经被国际学术界广泛认可。
联邦学习框架的优势是什么？
首先，你需要知道什么是联邦学习吗？ 实际上是加密的分布式机器学习技术，参与者可以协同构建模型，而不会公开基础数据和基础数据的加密(混淆)形式。
(联邦学习基本框架)
联邦学习具有四个显着优势。 一是数据隔离，数据不会泄露到外部，满足用户的隐私保护和数据安全需求二是保证模型的质量不会受损，不会发生负迁移，联邦模型比分裂的独立模型更有效。 三是参与者地位平等，实现公平合作，最后确保参与者在保持独立性的同时，进行信息和模型参数的密码交换，同时成长。
(联邦过渡学习的好处)
总之，作为机器学习的框架，联邦学习能够有效地帮助多个机构使用和建模数据，以满足用户的隐私保护、数据安全性和政府法规要求。
在联邦学习的基础上，转移学习的能力也得到了构筑，一反三的效果。 这个综合模式被称为“Federated Transfer Learning”。
一般而言，联邦迁移学习不会以任何形式累积数据，而是分别堆积在不同的高山上，在各个高山的顶部配置机器人下山寻道，仅使机器人之间的步调同步，不是数据本身。 另外，不同的机器人也可以实现迁移学习，以便提高对每个数据的理解能力。
例如，有三个公司a、b和c，每个公司都有不同的数据。 第一家企业a有一些用户特征数据；第二家企业b有一些其他用户的特征数据，同时也包含一些注释数据的第三家企业c是一家银行，可能有关于金融的特征和注释数据。 根据GDPR的指导原则，这三家公司不能粗暴地整合三种数据。 因为用户不同意。
但是，假设三者各自制作模型，那个行为已经得到了各自用户的认可。 然后，通过加密机制中的参数交换方式，不违反法规，构建虚拟的共享模型。 此虚拟模型与三方数据的聚合相同，但是模型在不同的地区提供本地目标服务，而不会移动数据或泄露隐私。 这在合法合规下实现了数据流动。
在这种新的人工智能框架体系下，各参与者的身份和地位相同，数据相互独立，不会形成一体，导致企业之间的差距。 现阶段，企业之间不侵犯用户隐私，不违反法规，不损害企业之间的合作关系，进行数据流通与有无的互动，是一种有前瞻性的创新构想，必然具有积极的技术创新意义。
在联邦学习领域第一个商用级开源项目诞生，谁会受益？
另外，在AAAI年会上，微银行AI团队正式宣布联盟AI生态系统( Federated AI Ecosystem )，同时还宣布开源联盟AI解决方案fate ( federatedaitechnologyenal )
(联盟AI官方网站https://FedAI.org )
作为联邦学习领域的第一个商业级开源项目，FATE提供了开发人员所需的大量协作建模工作流管理、加密机器学习工具库和并行计算基础设施抽象化三级能力，同时还提供了许多开放式联邦学习算法和联邦迁移学习算法供开发人员参考
事实上，合伙企业已经参与合伙AI的生态。 此前，全国连锁汽车品牌之一的汽车租赁公司宣布与微银行共同实现深厚的战略合作关系，双方宣布在汽车旅游、会员服务、金融保险、连锁技术等方面开展多场景多维创新合作。 一汽车租赁公司利用联邦转移学习、AI面部认证技术、支付技术等金融技术，以优化用户体验为目的，深入到汽车租赁服务流程中，将汽车租赁场景与银行大数据风险控制系统相结合，为年轻一族和租客提供新的生活方式
未来，更多的企业很难预测这一技术创新红利能够创建自己的AI数据模型，推动自己的AI应用程序落地。 据此，联邦学习可以应用于金融服务、物流、供应链、运营商、医疗健康等多个行业及其垂直领域。
从业界标准的制定到联盟AI生态系统的发布，为什么微型银行总是存在？
最后，一个问题是，影响AI行业发展的重大创新措施为什么会引领中国队如微型银行AI部门
首先，微型银行有豪华的AI团队。
其中，首席人工智能官杨强教授是人工智能领域的国际专家和领导人。 它不仅是国际人工智能协会( AAAI )的首位中国院士，也是迄今唯一的AAAI中国执行委员。 同时，他还是国际人工智能联合会( IJCAI，国际人工智能领域最先成立的顶级国际会议)理事会主席，也是首位担任IJCAI理事会主席的中国科学家。 其他团队成员在机器学习、联邦学习、联邦过渡学习以及这些人工智能技术方面都有丰富的经验和深刻的积累。
更重要的是，杨强教授及其率领的AI团队拥有一个名为微型银行的强大创新平台。
作为国内第一家网络民间银行开业。 没有设置在线网站的微型银行，创业事业在国内也是首次，成功解决了创业当初如何吸引顾客、如何与传统银行共存等问题。
微型银行的AI技术迅速找到了成长的突破口。 特别是基于联邦转移学习技术进行大量数据安全利用，使微型银行在风险评价、价格差异、正确营销等多种金融场景中取得成功，促进微型银行实现业务创新，其金融服务复盖面不断提高，进一步体现了社会价值的贡献。
举个例子，过去的中小企业由于经营数据不足，信用风险评估困难，融资困难的问题一直存在。 微库创新利用联邦移动学习技术建立合作生态，在不侵犯企业用户数据的情况下，可以连接企业财务、订单、能源等数据，对微型企业的经营状况和信用进行360度模型评价，扩大了可融资企业的范围。
数据说明一切。 微银行公布的微额信贷客户群数据显示，68%的客户在获得信用时没有企业类贷款记录，38%的信用客户在获得信用时没有个人经营性贷款记录。 充分证据，联邦学习框架的技术创新意义。
总的来说，微型银行推进联邦学习框架和应用规范的标准制定，对于联盟AI生态系统的大规模推进建设，越来越多的企业加入联盟AI阵营，在保证合法合规性和绝对安全的情况下，进行数据互操作是当前企业与企业之间、组织与组织之间的数据交叉
