T112019-数据智能技术峰会-人工智能助力新金融-2019.11.25-13页_19mb

人工智能助力新金融总结

核心内容

人工智能在金融领域的应用日益广泛，特别是在金融营销中，面临着数据孤岛和用户隐私保护的双重挑战。为了解决这些问题，联邦学习作为一种新的隐私保护机器学习机制被提出和应用，成为金融行业的重要解决方案。

主要观点

1. 金融营销中的挑战

• 用户促活：金融机构只能观察到有限的用户偏好，难以获取更多用户行为数据。
• 用户拉新：金融产品的转化链路较长，涉及多个步骤，且转化数据具有高度敏感性。
• 数据隐私保护：在获取和使用用户数据时，必须确保数据不被泄露，同时保护用户隐私。

2. 联邦学习的作用

联邦学习是一种分布式加密机器学习机制，能够在保护原始数据隐私安全的前提下进行联合建模，共同分享计算结果。它为金融营销中的数据孤岛和隐私挑战提供了有效的解决方案。

3. 联邦学习的两个应用场景

• 联邦推荐：用于解决用户促活中的第三方数据隐私挑战，通过加密数据建模和基于FATE的高效架构，提升推荐效果。
• 联邦广告：用于解决用户拉新中的数据回传隐私挑战，实现隐私保护的数据对齐和模型优化。

关键信息

联邦学习的核心特点

• 数据隐私保护：任何底层数据不向对方泄露。
• 参与者地位对等：企业数据和用户数据在联邦学习中地位平等。
• 联合建模：参与者共同建模，共享计算结果。

FATE：开源、工业级的联邦学习项目

FATE是一个开源的联邦学习平台，包含以下核心组件：

• FATE-Flow：提供流程解析、生命周期管理和多方任务调度。
• FATE-Serving：支持联邦推理、模型管理和版本控制。
• FATE-Board：提供联邦学习的可视化、监控和日志管理。
• Federated ML：联邦学习的核心组件，包括分布式计算框架EggRoll和跨站点网络功能。

数据注入与设备支持

• 数据注入：支持多种数据源，如HIVE、MySQL、Amazon S3等。
• 设备支持：兼容CPU集群、GPU集群以及移动设备（Android/IOS）。

联邦推荐的优势与局限

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

联邦广告的关键技术

• 隐私保护的数据对齐：确保数据在加密状态下对齐，保护用户隐私。
• 转化保护：通过数据打乱，防止跟踪至具体转化用户。
• 差分隐私：对转化点击用户数据进行打乱处理，确保整体状况可见但个体不可追踪。

联邦学习的应用价值

联邦学习在金融营销中具有重要价值，能够有效解决数据孤岛和隐私保护问题，提升推荐和广告效果，同时确保用户数据的安全性和隐私性。

联系方式

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

结语

联邦学习为金融行业提供了一种新的解决方案，通过保护数据隐私和实现联合建模，有效应对了金融营销中的挑战，推动了人工智能在金融领域的深入应用。