【香港商报网讯】记者黄裕勇报道：8月29日，2019世界人工智能大会（WAIC）于上海世博中心拉开帷幕，海内外大咖齐聚，学术界工业界交汇，共话人工智能未来。微众银阿行首席人工智能官杨强教授在大会主论坛——“科学前沿”演讲时表示，联邦学习已经成为AI在学术界和工业界的新趋势，未来行业面临的社会大众的要求和监管会越来越严格，联邦学习能够在满足用户隐私保护和数据安全需求的同时，实现多方共赢。

　　微众银行作为联邦学习的国内首倡者和领导者，在杨强教授的带领下首次提出了“联邦迁移学习”，并通过领衔联邦学习国际标准（IEEE标准）制定、开源自研联邦学习框架Federated AI Technology Enabler（简称FATE）等来推动联邦学习技术在行业中的落地。

　　杨强教授在演讲中介绍说，微众银行负责人工智能的工作，接触到很多人工智能的应用场景。作为一家互联网银行，微众银行服务的用户数已经超过了1.7亿，提供服务主要借助的手段就是人工智能和机器人。在服务过程中有很多环节，比方说业务咨询、审核批准贷款文件、对申请人进行人脸识别、语音识别等身份核验、客服问答等。在金融领域，不仅要建立用户画像和模型找到用户，更要建立一整条长链路来服务广大的用户。

　　“这些应用都离不开一个元素——数据，尤其是大数据”。杨强认为，在这种情况下，数据聚合的需求十分强烈，却很难得到满足。其中有一个很重要的原因是社会对于用户隐私的要求越来越高。“我们一方面面临数据割裂，没有大数据来训练人工智能；另一方面，法律法规和社会对安全的严格要求又限制了数据的融合。大数据变成了人工智能的挑战。”

　　为积极地寻找一些新的技术方向来解决数据挑战，微众银行的方法和方向叫做“联邦学习”，英文叫“Federated Learning”。数据的各个拥有方，在各自数据不出本地的情况下建立模型，并且让这个模型能够共享，那么在建立模型的过程中便不会侵犯用户的隐私，整个建模的过程就叫联邦学习的框架和算法。

　　这样的模型不仅需要一个机器学习算法，更需要一个分布式的机器学习算法，针对两个数据集既不重叠用户特征，又不重叠用户的场景下，微众银行提出一个新的算法，叫做联邦迁移学习。它可以利用迁移学习的算法，把这两方数据模型的本质挖掘出来，把抽象的模型加以聚合，在聚合的过程中保护用户隐私，也取得非常大的成功。

　　虽然联邦学习的框架最近才提出来，但是它在产业界的应用已经有成熟的进展。比方说我们最近在一个金融信贷的场景下就取得了非常成功的应用：一方是互联网企业，有很多用户的行为数据；另一方是金融企业——银行，需要建立一个更准确的用户信贷模型。这时利用纵向联邦学习，把两边的模型加以共享，进行更新，这样模型就能够更有利，随着数据量的增加，效果也大为增加。以下是效果图。

　　同时，我们也尝试了很多不同的应用场景，比方说在城市管理领域，利用散落在各地的割裂的计算机视觉数据来建立一个安全、共享的模型；在语音识别领域，不同的机构有不同的语音数据，不同的服务中心，它们也可以建立一个联邦学习来解决用户隐私的问题。

　　杨强表示，“机器学习离不开大数据，大数据离不开安全和保护隐私的考虑，联邦学习是一个既能建立大数据模型，又能保护数据安全和用户隐私的有利的工具”。他希望更多的人能加入一起建立联邦学习生态。