AI大咖说| 杨强:联邦学习将领跑人工智能“最后一公里”
读特记者 邹媛 文/图
2019-09-05 20:02

人物背景:杨强,微众银行首席人工智能官,香港科技大学讲席教授,AAAI国际人工智能协会常务理事,2017-2019 IJCAI国际人工智能联合会理事会主席,香港人工智能与机器人学会理事长,同时也是ACM和IEEE在内的多个国际知名期刊的主编和学会的Fellow。在杨强教授的带领下,微众银行首次提出了“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。

在金融领域,尤其是银行机构,越来越多的服务需要人工智能和机器人来完成,比如业务咨询、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、客服问答等等,这些应用都离不开一个元素——数据。但越来越多的数据泄露等问题,也让大数据逐渐变成了人工智能的挑战。杨强认为,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。

记者:作为一家互联网银行,不仅仅涉及到互联网领域,更多的还有金融领域,数据敏感度更为强烈,在技术研发和发展过程中,技术和伦理会否出现难以平衡的问题?

杨强:一方面,AI技术大幅提升了金融行业效率,并且不断驱动产生新的业务。微众银行作为国内首家互联网银行,在亿级客户量、亿级日交易量背后,是人脸识别、OCR文字识别等智能核身技术提升用户身份认证效率,智能客服降低人工客服成本,提升客服效率;联邦学习联合多家金融机构共建反洗钱模型和企业风控模型,降低不良率;智能营销降低获客成本,提升获客效率;智能资管提升资产管理整体水平等。

另一方面,AI行业应用离不开大数据,而实际行业场景中的“数据孤岛”和“小数据”的现象很普遍。尤其是金融领域对数据安全与隐私保护的要求极高,在政策法规要求下,机构间不能直接把数据合并成“大数据”,甚至同一个机构内部的数据都无法共享,形成一个个数据孤岛,是困扰和制约AI在金融行业在内深化发展和应用落地的关键因素。

记者:如何应对这个挑战?放弃人工智能还是寻求新的技术方向来解决数据挑战?

杨强:当然不能放弃,我们提出的方法和方向叫做“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。

2016年,Google就开始进行了这样一个项目,在安卓系统的手机用户中建立联邦学习,解决用户个人终端设备的数据隐私问题。联邦学习主要目的就是为了解决数据安全问题,传统方法是把数据汇聚在一起,虽然解决了数据孤岛,但是牺牲了数据安全。而联邦学习是一种加密的分布式机器学习技术,可以让参与方在数据不出本地的情况下进行AI协作,实现“知识共享而数据不共享”,参与各方利益最大化。它将领跑人工智能的最后一公里。

记者:作为领跑人工智能的最后一公里,它在行业中的应用如何?

杨强:联邦学习在多行业的跨机构协作方面有广泛应用前景,尤其是金融、医疗等极度重视数据隐私的强监管行业。在金融领域,多家机构通过联合建模的风控模型能更准确地识别信贷风险,联合反欺诈。例如微众银行基于联邦学习,与拥有发票数据的合作企业联合建模,在保护隐私和数据安全的情况下,小微企业风控模型性能提升12%以上,随着风险甄别能力提升,可贷企业范围也显著扩大。

在医疗健康领域推进智慧医疗的过程中,病理报告、检测结果等病人隐私数据常常分散在多家医院、诊所等不同地区不同类型的医疗机构,联邦学习使机构间可以跨地域协作而数据不出本地,多方合作建立的预测模型能够更准确地预测癌症、基因疾病等疑难病。如果所有的医疗机构能建立一个联邦学习联盟,那或许可以使人类的医疗卫生事业迈上一个全新的台阶。

记者:未来,在数据安全或人工智能或领域发展方向如何,前景的展望如何?

杨强:联邦学习是破解“数据孤岛”与“数据安全”难题的关键技术,目前学界和工业界对联邦学习的学术研究在不断深入,行业落地和生态建设也在不断推进。

标准制定层面,微众银行牵头的IEEE国际标准已经召开了三次标准工作组会议,目前已经有二十几家国内外机构加入,而国内的首个联邦学习团体标准也在今年7月AIOSS(中国人工智能开源软件发展联盟标准)大会上发布。

而随着5G、物联网时代的到来,联邦学习应用会更加广泛。例如在城市管理领域,传统的城市监控设备管理面临标签数量少、数据分散,集中管理成本很高且模型更新和反馈存在离线延迟情况,联邦学习可以让监控终端进行在线模型更新反馈,无需上传数据,且对模型提升率高达15%,模型效果无损失,这是联邦学习应用在物联网领域的典型场景。我们希望未来越来越多的机构能加入到联邦学习生态建设中来。

编辑 刘桂瑶

(作者:读特记者 邹媛 文/图)
免责声明
未经许可或明确书面授权,任何人不得复制、转载、摘编、修改、链接读特客户端内容
推荐阅读
读特热榜
IN视频
鹏友圈

首页