您访问的页面找不回来了!
返回首页- 您感兴趣的信息加载中...
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。
原标题:视界|美媒恍然大悟:为什么中国的人工智能这么强?离不开他们——“我们现在在干什么?”“我们发现前面车辆速度太慢了,我们要超过它。它(自动驾驶卡车)会自动做决策。”视频报道截图。
近两年,人工智能成为风口之一,包括BAT在内的很多互联网公司也在积极的开疆掠土,对人工智能人才的需求量极大。 根据2017年的统计数据显示,人工智能月平均薪酬超过了2万元,仅次于管理岗和数据开发
原标题:网友关注人工智能的就业替代效应 近期,“人工智能”给就业带来的机遇与挑战引发广泛热议。一方面,人工智能改变了就业结构,造成部分工作被替代;另一方面,人工智能延伸了产业链,催生了新的岗位