数据隐私之下，联邦学习与银行“开放”机遇｜新基建·产业科技③_风闻

作者 | 产业君

来源 | 产业科技

编者按：

多年前，在安全计算领域有个知名的小问题：两个百万富翁在街头邂逅，他们都想小炫富一把，比比到底谁更有钱。但出于隐私，都不想让大家知道自己到底有多少财富，在尊重隐私的情况下，如何知道他们谁更有钱？加密算法此刻就派上用场了。

近年来，每次公共数据的泄露都会引起公众极大的关注。在信息化高度发达的当下，数据隐私安全正被日益重视。因而，作为可同时兼顾数据共享和隐私问题的技术，联邦学习在近两年发展迅速，并已在金融行业有诸多实践。

与此同时，“开放银行”已成为商业银行转型突破的重要方向，银行与金融科技企业的开放合作也日益频繁，联邦学习正在成为双方数据交流的重要驱动。

01 银行“开放”：如何兼顾安全与效率

据中国人民大学金融科技研究所《开放银行全球发展报告》，关于“开放银行”，目前接受程度最高的是咨询公司Gartner的定义，即是一种与商业生态系统共享数据、算法、交易、流程和其他业务功能的平台化商业模式。

简而言之，开放银行是指一种银行向第三方开放数据和服务的模式。在这种模式之下，银行和其他各方能够在共享信息服务资源的基础上进行协调合作，最终给客户带来更加高效贴合的服务体验。

而数据安全，是开放的重要前提。

毕马威在系列研究“开放银行，中国银行业发展必然路径”中指出，法律的监管是不可缺失的。开放银行“开放”的核心是数据，涉及隐私。

普华永道在2018年进行的一项调查显示，面对开放银行这个概念时，95%的受访者担心自己的个人信息将会被泄露；68%的受访者第一印象是个人隐私将会受到一定影响。

在安永2018年的调查中，71%的受访公司认为取得用户授权同意是实施开放模式过程中的巨大挑战，超过半数的公司更是将其列为“首要考虑”的问题。

因此，开放银行的构建，需要法律和监管充分保障数据的安全性、采用可信且规范化、标准化的程序和模式。而在安全有效的数据开放机制落地之前，业务能力仍需提升，数据的生产力也在不断释放，如何兼顾数据开放的安全与效率，依然是银行、消费金融等机构面临的现实问题。

02 联邦学习的作用与机遇

随着云计算和大数据技术的不断进步，无论是机构和个人，每天都会源源不断地产生大量数据。并且，无论是对于机构还是个人而言，这些数据中或许包含商业机密，或许包含大量个人隐私，如果机构之间要交换学习，首先要解决隐私保护问题。

为保护数据隐私安全，在世界范围有欧盟《通用数据保护条例》（GDPR）、美国《美国加州消费者隐私法》（CCPA）、新加坡《个人数据保护法案》、中国《信息安全技术网络安全等级保护基本要求》等。

其中，中国也在相关法律法规中明确指出，“网络运营者不得泄露、篡改、毁坏其收集的个人信息，并且与第三方进行数据交易时需确保拟定的合同明确约定拟交易数据的范围和数据保护义务。”

如何在不侵犯用户数据隐私的情况下，实现数据流通与金融服务能力的提升，成为银行实现“连接”和“开放”需要解决的首要问题。而解决大数据安全计算问题，可以有不同技术流派提供不同的解决方案，为什么大家都不约而同发力联邦学习？联邦学习是否会成为未来金融行业科技合作的主流？

但实际上，联邦学习未来会不会成为主流并不重要，重要的是要有为企业解决问题的技术能力和服务能力，并且不断提升这些服务的能力。

的确，为炫技而炫技，本身没有任何意义。正因为具备解决痛点的能力，也具备释放大数据生产力的能力，联邦学习正在引起越来越多金融机构的共鸣。

近日，江苏银行就成为业内首家通过联邦学习实现融合腾讯安全黑灰产库的银行，也是第一家借力腾讯业务环节，实现信用卡智能化管理、助力信用卡盈利规模化的银行。据悉，腾讯是国内最早倡导“联邦学习”的企业之一，其联邦学习技术已覆盖PaaS级和SaaS级领域，形成产业链协同互补关系。

03 炫技无用，服务能力才是关键

从目前联邦学习的应用案例来看，服务能力和解决问题的能力，才是各方聚焦的重点。目前，越来越多银行已开始在利用外部数据源提升风控能力，互联网联合贷款往往是此类合作的“试金石”。

据悉，微众银行AI团队也在2019年对外发布了自主研发的开源项目FATE（Federated AI Technology Enabler）作为全球首个联邦学习开源框架，提供了一种基于数据隐私保护的分布式安全计算框架。目前，FATE已在信贷风控、客户权益定价、监管科技等领域推动应用落地。作为一种新型人工智能技术，目前还有蚂蚁金服、富数科技、华控清交、京东数科等头部机构入局联邦学习应用。

根据微众银行发布的《联邦学习白皮书V2.0》披露，通过合规的多维度联邦数据建模，风控模型效果通常约可提升12%，消费金融类企业机构有效节约了信贷审核成本，整体成本预计下降5%-10%，并因数据样本量的提升和丰富，风控能力进一步增强。

而对合作方信贷机构而言，信贷风控能力也大幅度提升，通过初审筛选掉黑名单和不可能转化贷款客户，在“信审漏斗第一步”减去无效客户，从而在信贷预审阶段使单接口调用成本预计节省20%-30%，信贷审核成本得以有效控制。

基于联邦学习的信贷解决方案，只是金融服务的其中一个领域。更多的精细化运营，同样可以通过联邦学习解决。以信用卡业务为例，银行和腾讯各自拥有的数据特征是不一样的，一个偏金融特征，一个可能偏社交特征。在保障隐私安全的情况下，联邦学习就是打破双方数据壁垒，实现信用卡的精细化管理和运营的方式。

再以新零售为例，涉及的数据往往包含用户购买能力、用户个人偏好、产品特点三部分，而这三种数据可能都分散在不同的部门或企业：如银行拥有用户购买能力特征，社交网站拥有用户个人偏好特征，购物网站则拥有产品特点特征。利用联邦学习，则可在保护用户隐私的情况下联合建模，提升企业运营管理的同时也优化用户体验，实现多方受益。

在移动开放的时代背景下，预计今年将会有更多巨头在联邦学习领域有新扩展应用。在银行数据开放制度尚未健全的当下，联邦学习解决问题的能力，也将日益引起机构们的共鸣和重视。