数字科技智造OPPO钱包（2）：联邦学习打破“数据孤岛”

我们小的时候都学过“盲人摸象”这个成语，几个盲人摸一头大象，摸到腿的说大象像一根柱子，摸到身躯的说大象像一堵墙，摸到尾巴的说大象像一条蛇，比喻对事物了解不全面，胡乱猜测。

这个成语故事其实很好地说明了人工智能学习的特点：用户在日常行为习惯中，会不断的产生类似“象腿”、“象尾巴”这样的数据，人工智能只有把这些数据都学习到，才能得出是一头大象的概念。而如果只输入了如“象腿”、“象尾巴”等单个数据，人工智能也会得出是柱子、墙这样的错误结论。

但是，用户作为“大象”自己，是不愿意也不应该把这些数据都交出来的，这就产生了数据隐私保护的需要。将在2021年11月1日实施的《中华人民共和国个人信息保护法》，就强化了对个人信息权益的保护，并对企业的隐私合规实践提出进一步要求，可见国家层面对于数据隐私保护的重视。

用户的隐私保护，无可置疑地应该被放在首位。但是客观上科技的进步想要为用户带来更加便捷的服务，不可避免的会进行一些数据上的交互。同时，企业的数据垄断将带来“数据孤岛”问题，必然会带来用户使用成本的提升和商业效率的下降，因此在保护用户隐私的前提下打破数据孤岛，成为了人工智能应用必须要面对的问题。

作为OPPO钱包APP的运营者，欢太数科的工程师就遇到了同样的问题：在与合作机构共同为用户提供数字金融服务的过程中，如何在不暴露用户行为特征的前提下，让合作机构评估用户信贷风险，从而尽量规避掉可能的逾期行为。他们选择采用联邦学习（Federated Learning）来解决这一难题。

联邦学习是一种在保证数据隐私安全及合法合规的基础上，进行共同建模的人工智能学习框架。还记得盲人摸象的故事吗？合作的双方或多方加密过后的样本进行特征比对后，发现都是蛇，但实际上呢，样本数据是“大象的尾巴”，而更加精确的“大象”的面貌就更不可见了。但是蛇这个“近似特征”，已足够数据使用方进行数据的清洗使用了。然后双方再通过加密训练进行联合建模，让得出结果的速度更快，精确度更高。这个并不算精确的比喻，大概可以描绘出联邦学习的特点。

根据数据分布的不同，联邦学习可以分为三类：横向联邦学习、纵向联邦学习和联邦迁移学习，欢太数科在日常的应用中，更多的是采用纵向联邦学习的形式。

如图显示，根据用户的特征维度和用户的自身维度，欢太数科和合作的金融机构都有不同的用户群，纵向联邦学习就可以依据信贷打分，在原始数据不离开用户本地的情况下，找出双方重叠（符合合作方信贷需求）的群体。这样的优势在于既保护的用户的隐私，又提升了机器的学习效果。

联邦学习在不同业态下数据的特征联合上，拥有着广泛的意义。对于欢太数科这样的企业，其运营的钱包APP有着亿级用户的体量，与包括金融、交通、生活服务等不同行业的合作方存在着广泛的合作，多方的数据交叉比对十分的频繁，因此，选择用联邦学习来打破数据孤岛，实现在保护用户隐私下的数据共享，是十分必要的。

从更长远的角度来看，联邦学习作为前沿的数字科技，在欢太数科探索人工智能学习，打造开放数字科技平台的道路上，也必然将发挥越来越重要的作用。

关于欢太数科

欢太数科是数字科技开放平台，是OPPO、realme和OnePlus等品牌的官方合作伙伴。欢太数科通过AI、大数据等前沿技术与开放互联的数字平台模式，携手金融、电商、交通等多领域合作伙伴构建和扩展数字生态开放体系，为机构合作伙伴、实体企业与生态内用户提供高效、便捷的数字生活服务与数字金融服务。

企业信息