T112019-数据智能技术峰会-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

本文探讨了人工智能在金融营销中的应用，特别是在解决数据孤岛和用户隐私保护方面的作用。重点介绍了联邦学习这一隐私保护机器学习机制，以及其在金融用户促活和拉新中的具体应用，如联邦推荐和联邦广告。

主要观点

1. 金融营销面临的挑战

• 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。
• 用户拉新：金融产品的转化链路较长，涉及敏感数据，传统数据回传方式面临隐私挑战。
• 转化评估：金融营销中，转化评估指标不仅包括曝光和点击，还涉及更后端的转化数据，这对数据安全提出了更高要求。

2. 联邦学习的引入

• 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，共同分享计算结果。
• 数据隐私保护：任何底层数据不向对方泄露，确保用户隐私安全。
• 共同获益：所有参与者地位对等，能够通过横向或纵向联邦学习共享数据，提升整体模型效果。

3. 联邦学习在金融营销中的应用

• 联邦推荐：专门针对推荐场景设计，通过加密数据建模和基于FATE的高效架构，解决用户促活中的第三方数据隐私问题。
• 联邦广告：解决用户拉新过程中数据回传的隐私挑战，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：用于联邦学习的可视化、监控和日志管理。
• Federated ML：联邦学习的核心模块，包含EggRoll分布式计算框架和跨站点网络支持。
• Data Injection：支持多种数据源接入，包括HIVE、MySQL、Amazon S3等。

联邦推荐的局限与优势

• 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
• 优势：
  • 支持用户长期兴趣探索
  • 实现数据隐私保护
  • 通过拓展一方数据提升推荐效果

联邦广告的隐私保护机制

• 隐私保护的数据对齐：确保数据在多方之间对齐，同时保护用户隐私。
• 隐私数据的模型优化：通过加密处理和数据打乱，防止个人行为被追踪。
• 转化保护：通过差分隐私技术，使转化用户无法被识别，仅能看到整体趋势。

联邦学习的解决方案

• 联邦推荐：有效解决金融用户促活中第三方数据的隐私问题。
• 联邦广告：有效解决用户拉新中数据回传的隐私挑战。

联系方式

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

附加信息

• 文档日期：2019.11.25
• 作者：微众银行 郑文琛