12月17日，由雷主办的第三届人工智能年度最佳掘金案例评选结果揭晓。其中，微众银行作为“AI+金融”领域的杰出代表荣登榜单，并获得“最佳联邦学习应用奖”。
图:微众银行荣获雷AI年度最佳掘金案例榜单“最佳联邦学习应用奖”。
“年度AI最佳掘金案例榜”是雷锋网发起的首个AI商业案例评选活动。com，基于AI行业的研究和资源积累，联合政、企、学、投评选委员会。凭借领先的联邦学习和RD技术以及丰富的应用，微众银行从1028家参与企业中脱颖而出，展现了其深厚的商业化能力。
图:雷AI最佳掘金案例“AI+金融”年度榜单
近年来，针对数据隐私保护和数据孤岛问题，微众银行AI团队在国内首次引入“联邦学习”技术，这是一种加密分布式机器学习的新范式，可以保证数据所有者在数据不出本地的前提下共同建模，兼具安全性和建模的高效性。在经历了专注于隐私保护的基础理论阶段后，微众银行AI团队继续推进联邦学习的落地场景，将联邦学习应用于金融、零售、医疗等不同领域。目前已经积累了丰富的成功案例。
学会赋能联合会智能风控，助力普惠金融构筑安全堡垒。
在AI+大数据领域，微众银行AI团队开发了智能评分引擎。现在的小微企业大多只拿着央行的征信报告，还缺少税务、工商等更多维度的数据，所以对客户缺乏更全面的了解。对此，微众银行的AI团队开发了自己的智能评分引擎。基于垂直联邦学习技术，联合账单金额和标签属性(如中央银行的信用数据)一起建模，以更准确地描述企业的信用状况。目前，智能评分引擎已将小微企业风控模型ROC的AUC的区分度提升至12%，在预测企业风险方面取得显著成效。
图:基于联邦学习的企业风险控制模型
应用效果显现，联邦学习在智能精准营销方面发力。
在AI+营销领域，微众银行AI团队首创联邦推荐、联邦广告，将联邦学习引入营销解决方案，实现金融营销新增活跃用户。以银行APP为例。银行APP只能观察存取款、贷款、定投等有限的用户偏好。再加上隐私保护法规的限制，APP无法直接从第三方机构获取相应数据，导致有效数据不足。对此，微众银行AI团队提出了联邦推荐技术，基于自主研发的开源框架FATE的高效架构，结合金融机构和丰富的第三方数据进行建模。在这个过程中，双方的原始数据都不是本地的，而且是交互加密的，既能保证用户隐私和数据安全，又能借助丰富的第三方数据优势达到促进活跃度的目的，实现金融产品的精准推荐。微众银行的AI团队将联邦推荐算法归纳为三类，如下图所示，包括横向联邦推荐算法、纵向联邦推荐算法和迁移联邦推荐算法。
图:联合推荐算法的分类
此外，金融产品用户新增转化环节过长，一款网贷产品通常需要经过广告展示、点击、留存、导入、风控等层层步骤。才能完成获客。受限于隐私保护，金融机构无法将后端转化数据回传至第三方广告平台，转化数据的敏感性限制了广告投放的效果。针对以上痛点，微众银行AI团队提出了联邦广告，可以让广告主对转化数据进行混合加密，对加密数据进行对齐，建立转化预测模型，提高广告的分发效率，广告主的开发流程只需要1-3天/人。
图:联邦广告流程图
联邦学习防御升级，粉碎AI幻象
在AI+服务领域，微众银行AI团队深度参与联邦对抗技术。由于人脸识别、语音识别等重要AI+金融应用场景容易受到攻击，攻击者可能在人脸核的过程中伪造攻击样本，欺骗模型将不同人的照片识别为同一个人，安全问题亟待解决。对此，微众银行AI部门将反样本攻防技术结合联邦学习技术应用到人脸识别和语音识别服务中，提高了人脸识别模型抗攻击的水平和语音识别模型保护用户安全隐私的能力，有效控制风险，构建了安全高效的开户和验证体系。
图:基于联邦对抗学习的智能核解决方案
除了金融领域，联邦学习还可以有效应对信息孤岛对智慧城市发展的制约，助力智慧城市建设，解决安全场景复杂度高、算法要求高等痛点，在零售、医疗等领域也有所建树。目前，微型银行在联邦政府中的研究和应用成果仅代表了这一技术发展潜力的冰山一角。未来，随着联邦学习的技术发展和产业的生态建设，更多的行业将能够基于该技术降本增效、开源节流，推动普惠人工智能时代的真正到来。
