T112019数据智能峰会-人工智能助力新金融13页_19mb

人工智能助力新金融总结

核心内容

人工智能技术在金融行业的应用日益广泛，尤其在营销领域，面临着数据孤岛和用户隐私保护的双重挑战。微众银行的郑文琛在2019年11月25日提出了联邦学习作为解决这些问题的新机制。

主要观点

数据孤岛与隐私挑战

• 金融用户促活：金融机构只能观察到有限的用户偏好，无法获取更多数据以提升推荐效果。
• 金融用户拉新：金融产品的转化链路较长，转化数据敏感，传统的数据回传方式面临隐私保护问题。
• 挑战：
  • 如何实现长链高效转化？
  • 如何在保护数据隐私的前提下进行联合建模？

联邦学习解决方案

• 联邦学习是一种分布式加密机器学习机制，保护原始数据隐私安全，同时进行联合建模并共享计算结果。
• 隐私保护：任何底层数据不向对方泄露，确保用户数据安全。
• 共同获益：所有参与者地位对等，可以共享多方数据资源，提升整体模型效果。

关键信息

联邦学习应用场景

• 联邦推荐：解决用户促活中第三方数据的隐私挑战，通过加密数据建模和高效架构提升推荐效果。
• 联邦广告：解决用户拉新中数据回传的隐私挑战，实现隐私保护的数据对齐与模型优化。

联邦推荐优势与局限

• 优势：
  • 用户长期兴趣探索
  • 数据隐私保护
  • 拓展一方数据提升推荐效果
• 局限：
  • 内容分析受到限制
  • 集中化推荐问题
  • 新用户无法提供可信推荐

联邦广告特点

• 隐私保护的数据对齐：确保在数据对齐过程中不泄露用户隐私。
• 隐私数据的模型优化：在不暴露用户数据的前提下，优化广告模型效果。
• 转化保护：转化用户与点击用户混合在一起，无法从严格加密的数据中识别个体转化情况。
• 差分隐私：通过数据打乱，仅能看到整体状况，无法跟踪至个体转化。

联邦学习项目FATE

FATE（Federated AI Technology Ensemble）是一个开源、工业级的联邦学习项目，包含以下核心组件：

• FATE-Flow：包括Flow DAG Parser、Lifecycle Manager、Multi-Party Task Scheduler。
• FATE-Serving：支持Federated Inference、Model Manager、Version Control。
• FATE-Board：提供FL Visualization、Monitoring、Log Manager。
• Federated ML：包含EggRoll（分布式计算框架）、Federated Network（跨站点网络）。
• 数据注入：支持多种数据源，如HIVE、MySQL、Amazon S3、CSV、Level DB、HBASE、HDFS等。
• 设备支持：支持CPU Clusters、GPU Clusters、Android/IOS等设备。

结论

联邦学习通过保护数据隐私，实现了多方数据的联合建模，为金融营销中的用户促活和拉新提供了有效解决方案。FATE项目作为工业级联邦学习平台，具备完善的架构与组件，支持多种数据源和设备，是推动金融行业智能化转型的重要工具。

联系方式

• 咨询服务：ai.ads@webank.com
• 官网详情：ad.webank.com