杨强认为“中国版GDPR”即将到来，数据隐私在走向严格化、全面化，这使得企业在实际应用中可以使用的数据维度和范围并不大。数据隐私保护的趋严，为人工智能技术升级提供了契机。

以保险行业利用AI进行个性化定价为例，背后需要业务数据和用户互联网行为数据融合，理想的状态是可以拿到非常丰富的用户画像，与用户的ID高度匹配，但实际情况迫于隐私、安全、法规等原因，企业可以应用的数据是非常有限的。

再例如在小微企业贷款应用方面，AI需要引入票据数据、资产数据、舆情数据等，但由于数据的割裂，实际应用中只能使用一些政府的数据，例如央行的征信报告，但这些报告只能覆盖不到10%的人群。这一问题在医疗领域更为明显，不同医院的医疗影像数据很难汇聚到一起，形成大数据来训练一个医疗模型。

“小数据”崛起

针对数据割裂带来的人工智能落地难问题，杨强提出了联邦学习。所谓联邦学习，是多个数据方之间组成一个联盟，共同参与到全局建模的建设中，各方之间在保护数据隐私和模型参数基础上，仅共享模型加密后的参数，让共享模型达到更优的效果。

据杨强介绍，联邦学习分为横向联邦和纵向联邦，横向联邦是指企业各方数据维度相同、ID维度不同，更多存在于消费者应用中；纵向联邦是指企业各方数据的ID维度相同（样本重叠）、数据维度不同，更多存在于B端应用。

例如针对保险行业的个性化保险定价问题，一家互联网企业和一家保险企业进行数据合作，这种合作数据的ID重合度相当大，数据特征维度大大增加，使模型的个性化定价效果显著提升，为保险企业带来8倍覆盖率提升和1.5倍利润率提升。

横向联邦学习方面，在手机行业，通过在本地建立加密上传的小模型，服务器端看不到内容却可以把模型汇聚起来，进行云端模型的更新，新的通用模型再释放给手机，帮助用户自动化进行图片标注。这样既保护了用户隐私，也可以进行模型学习和更新。

相关报道: