編織聯邦學習的產業路徑，騰訊向金融智能化的更遠處進發_風聞

這屆人工智能能夠化身“新基建”的中流砥柱，避免了重蹈“AI寒冬”的覆轍，一個很大的原因就是，機器學習從產業層面提質增效，真正讓技術變成了社會經濟的價值推動力。

技術高速迭代的時代，也讓無數從業者和普通人痛並快樂着。因為需要不斷打開認知通道，敢於去觸摸那些剛剛被釋放出來的產業能量。

近日，江蘇銀行與騰訊安全共同舉行聯邦學習應用服務簽約儀式，開啓了聯邦學習的“從雲端到產業地平線”的落地之旅，也激發了不少人對這項技術的好奇。

聯邦學習、金融業，與騰訊之間，如何搭建起一個屬於未來的智能產業生態，是一個值得思考的議題。

聯邦學習：聯合與分治的技與藝

對於關注AI的讀者來説，聯邦學習並不陌生。

自從2016年穀歌最先提出並應用之後，聯邦學習就被看做是下一代人工智能協同算法和協作網絡的基礎，國外如亞馬遜、IBM，國內如BAT、華為、平安等科技公司在積極部署和推動聯邦學習產業化的進程。

簡單來説，聯邦學習就是隨着人工智能，以及分佈式計算、區塊鏈等技術的協同發展，自然迭代出的系統化方案——在保護隱私的前提下，對多方的大數據價值進行挖掘，實現AI模型的訓練與性能提升。

為什麼需要聯合與分治共存，要從當下以機器學習為代表的人工智能應用中的很多現實問題説起。

一方面，人工智能逐漸普及，對隱私安全的監管越來越嚴格，面對GDPR等一系列法律法規的出台，以數據為訓練基礎的深度神經網絡必須做出改變，適應新的社會規範；

但是，合法合規的管控，又會加劇數據孤島問題。不同機構和企業各自為營，捍衞自家的用户數據，讓許多優秀算法模型無法得到充分的數據養料和有效訓練，自然會給AI性能和準確率帶來枷鎖。

聯邦學習，就在高質量數據的分與合之間，找到了辯證統一的平衡點——在不共享原始數據的前提下，利用雙方的數據實現模型增長。

舉個例子，假如A是銀行，B是社交平台，C是出行打車平台，分別擁有各自的用户相關數據。現在ABC想要聯合訓練一個機器學習模型，來預測經常出沒在哪些地區、關注哪些興趣話題的人，擁有更高的償債能力。

如果各個平台之間直接進行數據交換，作用用户肯定會擔心暴露自己的隱私和信息安全。但不交換又該怎麼訓練呢？

答案就是，都使用聯邦學習技術。在加密狀態下，找到共有的用户，這樣彼此都不知道數據對應的關鍵用户信息。用這部分數據來提取特徵，並在自己的服務器上進行訓練和調參，既遵守了隱私保護法規，又能夠補充自己不具備的數據信息、提升雙方模型的能力。

如此皆大歡喜的方案，大家怎麼不快快都用起來呢？

某種程度上來説，聯邦學習也是一張集合了心理題與技術題的綜合考卷，只有都答對的企業才有可能推開這扇大門。

總的來説，聯邦學習雖好，卻也伴隨着許多亟待解決的新問題：

1.各個AI企業之間的協作信任關係很難建立。

以前企業想上馬AI，都是單打獨鬥式地運用自身數據自主訓練，聯邦學習要將各個不同行業、領域的企業併入一套標準化的系統，在一起進行多方聯合建模。

這種合作就像南方人初入澡堂，要卸下重重防備一起享受實屬挑戰。如何從技術端保障企業之間的數據安全，讓大多數公司願意將數據拿出來和其他夥伴交換，有先鋒公司和標杆案例的出現，用實打實的應用效果，來解決信任問題。

2.數據樣本的複雜化，訓練環境的不一致。

即使有公司願意加入聯邦共同成長建模，也必須面對現實中，不同企業和機構所處的計算環境、網絡環境、數據環境各不相同的境況。

比如有的公司數據質量差，沒有進行標註無法被訓練；有的數據分散，不同部門之間沒有數據合作；還有的數據實時變化，需要花費人力去維護，缺乏聯邦學習的動力。

3.“要想富先投入”，聯邦學習的額外成本。

通過聯邦學習降低數據、建模的綜合成本，提質增效，是產業的初衷。但圍繞聯邦學習搭建團隊、溝通對接、進行訓練，也需要投入一定量資源來完成，又進一步提升了聯邦學習產業化的門檻。企業不僅應該着力想辦法降低成本門檻，同時也要讓新參與者接收初期成本。

通過這些問題可以看出，聯邦學習想要邁出真實的步伐，必須精準吸引那些“準用户”，來主動解答這張前沿試卷。

開啓智慧金融新篇章，騰訊扮演了三重角色

聯邦學習藉由金融場景落地到普通人身邊，自然不是無緣無故的。騰訊安全在此時向銀行和金融機構交付聯邦學習應用服務，在我看來，是在鍛造新的產業“內燃機”。

一方面，金融場景下數據保密等級高，安全要求更為嚴格；同時場景變化快，又對智能技術的升級迭代有着嚴苛的要求。在安全與升級之間，聯邦學習技術與金融領域就達成了一次情投意合的碰撞。

從中長期來看，金融領域的數據挖掘必然會持續受到法律法規的捆綁，這就要求其必須注重共建模型的搭建，學會“戴着鐐銬跳舞”。

此外，伴隨着傳統深度神經網絡算法的普及，金融機構和銀行也都到了進一步發展和提升自身技術水位，與同業拉開差異化優勢的階段，以爭奪增量客羣。

而伴隨着客羣的規模擴大，必然會帶來用户信用資質數據不足、質量參差不齊、風控風險高等潛在風險，此時聯邦學習提供的共同建模，就能從根源上來幫助企業利用AI提質增效。

金融領域毫無爭議地成為了聯邦學習落地的第一站。作為國內最早倡導“聯邦學習”技術的團隊之一，騰訊安全也交付了一整套聯邦學習應用服務(FLAS)產品。

對於盼望着技術甘霖從雲端降落到地面的金融領域來説，騰訊至少扮演了三個角色：

1.平台輸血者——打破信任僵局。

前面我們提到，聯邦學習想要發揮效用，既要打破各個企業之間的信任障礙，也要保障用户信息的隱私安全。

但大家的數據彼此之間不能“碰面”，模型訓練必不可少的特徵變量都變得不可見了，還怎麼聯合建模？面對這一難題，騰訊安全作為平台方，就起到了重要的“輸血”作用。

藉助騰訊在20年的安全攻防過程中沉澱出的大數據分析能力，以及騰訊安全服務中國99%以上網民所沉澱下來的黑灰產庫，積累出了三千多個風險種類的特徵變量。然後，騰訊安全對聯邦學習的框架進行了重新優化，在與金融機構的合作中進行融合，就能達到保護數據的同時，保障模型性能的效果。

比如在江蘇銀行的合作中，就基於對方資金流相關維度的數據沉澱下來的特徵變量和特徵工程，在可用不可見的情況下進行融合，只交換了機器學習的中間值（即梯度），在效果不衰減的情況下，達到了數據融合建模。

2.技術前哨站，探索應用業務創新。

任何前沿技術的產業下沉，最終都要落實到務實的商業價值上去，聯邦學習也不例外。

如何讓技術與自身業務相匹配？騰訊生態內的實戰訓練，就扮演了“前哨”的角色，以自身經驗+場景定製的方式，來為垂直行業進行鋪陳。

舉個例子，在辦理個人信貸業務時，除了用户所在地，包括户籍地、移動運營歸屬地、行為軌跡等數據之外，金融機構還可以通過申請，引入諸如興趣偏好、社交網絡、收入情況等互聯網產品的其他數據，通過縱向聯邦學習，來訓練自己的風控模型，實現更準確的綜合評估。

騰訊安全團隊在明確了聯邦學習與金融業務的最佳契合點之後，充分發揮技術效能，推進行業端敏捷的業務創新。對200餘個業務指標進行篩選與聯邦建模，聯邦學習聯合建模新模型的AUC值提升10%-15%，最大KS值提升50%左右，為江蘇銀行的信用卡智能化管理打下了基礎。

3.成本精算師。

騰訊安全聯邦學習的附加值，還體現在以高度可應用化的技術輸出形式，幫助企業控制技術升級成本。

首先，騰訊微眾銀行（WeBank）提出了工業級別聯邦學習框架——聯邦學習開源項目Federated AI Technology Enabler(簡稱 FATE)；騰訊TEG數據平台部基於自研分佈式機器學習平台Angel，設計了一種“去中心化”的聯邦學習框架PowerFL，並研發了FM、神經網絡等聯邦學習算法。騰訊安全則進一步對這兩種計算框架進行了雲化部署，形成了PaaS級聯邦學習服務。

另外，基於騰訊的海量安全大數據，騰訊安全聯邦學習應用服務可以通過雲端的SaaS服務進行輸出，讓技術成果被快速下沉到產業場景中；用雲交付的方式，落地到業務場景中去，不需要企業再不需要再投入人力去現場訓練模型，就能達到彼此所需要的數據融合，進一步降低了訓練成本。

同時，支持海量互聯網用户參與對用户有價值的聯合建模，在個人隱私數據均不出個人終端設備的情況下，利用聯邦學習，金融業務可以更快速的迭代模型，更敏捷地適應市場變化，實現有價值的數據應用，提升業務的競爭力。集成化的軟件和工具，以及服務的高複用性，讓各種類型的金融機構不用 “重新發明輪子”，以低學習成本、高價效比的方式，就能實現AI聯合建模。

可以説，伴隨着產業智能化的繼續深化，以及聯邦學習的下沉，所產生的差異化優勢也將真正顯露出來，開啓金融業的新一輪技術競技。

編織AI新生態，向產業智能化的更遠處進發

金融領域是技術敏感度最高、數據監管最嚴苛的行業之一。

由此帶來了一個新的問題：當騰訊安全聯邦學習應用服務開始在金融領域落地，未來會發生什麼？

可以肯定的是，金融領域的AI規則必然會被改變。最直接的就是數據方將改變傳統上單打獨鬥的思路，開始以協作、融合的姿態聯合起來推動產業智能化效率的提升，未來也將改變行業獲取數據、搭建AI的方式和門檻，打破行業“巨無霸”的“數據霸權”，釋放出更多的數據生產力。

在此基礎上，金融領域的應用只是聯邦學習產業潛力的冰山一角。數據規制的嚴格化將是智能社會發展的整體趨勢，未來在零售、醫療、工業、政務等各個智慧場景中，聯邦學習都將擔負起捍衞安全、降本增效的責任。

從這個角度講，聯邦學習如同一個操作系統一樣，亟待建立一個標準化、生態化的繁榮技術圈。而與大數據打交道最為頻密的騰訊生態土壤，有着舉足輕重的價值。

陳壽在《三國志》中寫過，和羹之美，在於合異。把各種不同的數據味道合在一起，騰訊安全烹製出的這道名為“聯邦學習”的菜餚，也將是技術落地節點中，從智能社會的地平線上生長出的饋贈。