T112019数据智能峰会-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

本文围绕人工智能在金融营销中的应用展开，重点探讨了数据孤岛和用户隐私保护两大挑战，并介绍了联邦学习作为解决这些问题的关键技术。通过联邦学习，金融机构能够在不泄露原始数据的前提下，实现多方数据联合建模，从而提升推荐和广告效果。

主要观点

• 数据孤岛与隐私挑战：金融行业面临数据孤岛问题，即不同机构间的数据难以共享，且用户隐私保护要求严格，限制了传统推荐和广告方法的使用。
• 联邦学习的引入：联邦学习是一种分布式机器学习机制，能够在保护数据隐私的前提下，实现跨机构的联合建模，提升模型效果。
• 联邦推荐与联邦广告：联邦学习被应用于金融用户促活（联邦推荐）和用户拉新（联邦广告）场景，分别解决第三方数据隐私和数据回传隐私的问题。
• 技术优势：联邦学习支持数据隐私保护、多方数据联合建模，同时能拓展数据来源，提升推荐效果。

关键信息

金融用户促活中的挑战

• 金融机构只能观察到有限的用户偏好数据。
• 推荐效果受限于无法获取更多用户偏好信息。
• 需要解决第三方数据的隐私问题。

联邦推荐

• 目的：解决用户促活中第三方数据的隐私挑战。
• 技术：基于FATE框架的联邦FM推荐模型，结合加密数据建模和高效架构。
• 优势：
  • 探索用户长期兴趣
  • 保护用户隐私
  • 拓展数据来源，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

金融用户拉新中的挑战

• 金融产品的转化链路较长，转化数据敏感。
• 传统数据回传方式面临隐私泄露风险。

联邦广告

• 目的：解决用户拉新中数据回传的隐私问题。
• 技术：
  • 隐私保护的数据对齐
  • 差分隐私技术用于转化数据保护
• 优势：
  • 保护用户隐私
  • 提升模型优化效果
  • 实现安全的数据共享与分析

联邦学习概述

• 定义：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。
• 特点：
  • 数据不离开本地
  • 参与者地位对等
  • 支持横向和纵向联邦学习
• 技术组件：
  • 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，包含EggRoll分布式计算框架和联邦网络跨站点通信。

数据与设备支持

• 数据来源：支持多种数据格式和存储系统，如HIVE、MySQL、Amazon S3、CSV、LevelDB、HBASE、HDFS。
• 设备支持：支持CPU集群、GPU集群及移动端（Android/iOS）。

总结

联邦学习通过加密和分布式计算机制，有效解决了金融营销中数据孤岛和用户隐私保护的难题。在推荐和广告场景中，联邦学习提供了安全、高效的数据共享方式，使得金融机构能够在不泄露用户数据的前提下，提升用户促活与拉新的效果。FATE作为开源、工业级的联邦学习项目，为金融行业提供了完整的解决方案和技术支持。