進入大數據時代,各行各業都在探尋利用數據挖掘,推動技術變革和業務創新,而在數據共享中相伴而生的隱私泄露、數據濫用等問題,正引發監管機構關注,包括金融業、醫療健康等數據敏感行業對于數據共享中的安全需求也日益上升。IDC數據顯示,預計2018-2022年的五年間全球信息安全市場年復合增長率(CAGR)達25%。

　　為了破解數據共享中的安全問題,互聯網公司走向前列。螞蟻金服推出的共享智能就憑借多年金融實踐和廣泛應用,獨樹一幟,成功幫助金融等相關行業逐步解決隱私泄露和數據濫用的數據共享難題,為大數據在更多領域的深度應用保駕護航。

　　共享智能有四個基石性的研究方向,分別是多方安全計算,可信執行環境,差分隱私,以及聯邦學習。

　　多方安全計算和可信執行環境側重解決計算過程中的數據安全問題,差分隱私側重保護計算結果里的隱私泄露,而聯邦學習擅長解決大數據孤島帶來的人工智能算法收斂性及效率問題。單獨的一個方向并不能解決多方數據可用不可得的問題,共享智能的研究既包括推動這四個基礎方向的進步,又包括對這四個方向的融合創新,從而提供滿足不同實際需求的多種產品與服務。

　　對于數據孤島問題, 目前業界涌現了像隱私保護機器學習PPML、聯邦學習、競合學習、可信機器學習等諸多解決方案,但大多僅利用了上面提到的一部分技術,可應用的數據共享場景相對有限,且基本處于學術研究階段,缺乏生產環境落地,方案的可行性有待觀察。

　　相比之下,螞蟻金服的共享學習兼容多種安全計算技術,并且支持多種機器學習算法和使用場景,具有更加廣泛的應用前景?；谖浵伣鸱陨淼臉I務場景特性,并聚焦于在金融行業的應用,從17年開始,螞蟻金服就一直在共享機器學習方向進行探索和研究。經過多年技術積累和實戰檢驗,螞蟻金服共享智能選擇了結合TEE與MPC的兩條路線,脫穎而出,其共享智能架構實現了較好的完備性、易用性和穩定性的目標,能夠為行業解決數據共享中的安全痛點。

　　例如,在完備性方面,螞蟻金服共享智能實現功能完備和場景完備,目前主要是支持風控和其它AI典型場景,具有比較全面的算法支持,覆蓋了線性模型、樹模型、深度學習、圖神經網絡等各個方向;在易用性方面,著眼于更好的推廣這種建模技術,同時又能“屏蔽”一些底層技術(可信執行環境、多方安全計算等),降低企業的學習使用成本;而在穩定性方面,實現了共享智能計算的集群化,并且支持遠程運維。

　　與此同時,螞蟻金服在牽頭標準、技術應用等多個領域結出累累碩果,進一步提高了用戶對共享智能的信心,為共享智能技術大規模落地打下堅實基礎。經過多年技術積累,發布論文超過10篇,獲得專利超過80余項,在標準立項方面,也已在IEEE共享智能和ITU-T MPC國際標準、CCSA共享智能行業標準以及AIOSS / AIIA共享智能聯盟標準方面進行同步推進。在創新獎項方面,在2019中國人工智能峰會上,共享機器學習獲得“紫金產品創新獎”,在2019年全球人工智能創業者大會上,共享智能獲得“應用案例示范獎”。目前,螞蟻金服共享機器學習技術也已在銀行、保險、商戶等行業成功落地諸多場景業務。

　　通過在業務中打磨出的金融級共享機器學習能力,螞蟻金服沉淀下來一套數據共享場景的通用解決方案,并有望加速向行業開放。隨著共享智能技術和用戶心智的同步進化,可以預見,未來,共享智能的大規模落地將很快得到實現,特別是對數據驅動和隱私保護有強需求的金融科技和醫療科技。螞蟻金服共享智能的持續成熟,將為銀行、醫療等行業機構,提供更加專業的風控管理,推動智能風控在相關領域的發展。

特別提醒：本網內容轉載自其他媒體，目的在于傳遞更多信息，并不代表本網贊同其觀點。其原創性以及文中陳述文字和內容未經本站證實，對本文以及其中全部或者部分內容、文字的真實性、完整性、及時性本站不作任何保證或承諾，并請自行核實相關內容。本站不承擔此類作品侵權行為的直接責任及連帶責任。如若本網有任何內容侵犯您的權益，請及時聯系我們，本站將會在24小時內處理完畢。