共计 1562 个字符，预计需要花费 4 分钟才能阅读完成。
联邦学习作为一种新兴的人工智能根底技术，在国际数据公司（IDC）定义下，联邦学习是一种分布式隐衷爱护建模办法，在保障所有训练数据不出域的前提下，多个参与方通过与聚合模型合作学习的形式独特训练新的数据模型的办法。这样的建模形式能够充分调动“去中心化数据”和“去中心化算力”等能力，促成数据隐衷爱护，实现数据利用最小化准则，并以更低的提早和更低的功耗进步了建模性能。同时，在技术倒退的新浪潮下，各国纷纷开始摸索人工智能治理机制，在法律监管层面愈发器重人工智能的规范化施行和操作，AI 可信被推到前所未有的高度上，各国政府和企业都在进一步摸索如何保障 AI 算法模型可解释、集体 / 企业数据资产平安等问题。为此，IDC 公布了《联邦学习与可信 AI 市场机会剖析》报告，回顾 2022 年中国联邦学习与可信 AI 技术、利用停顿和市场生态现状，提供终端用户能够依此作为部署企业 AI 利用的指南。其中，百度平安凭借点石联邦学习平台与 PaddleSleeve，在报告中被选为典型厂商，提供了值得借鉴的最佳实践经验。基于区块链、可信计算、大数据、人工智能等技术，百度平安构建了一整套可信人工智能生态，为城市智能中枢、智管平台、大数据局平台、数据交易所、金融行业实现数据全生命周期可信流通、算法多方协同、可控可溯以及异构算力对立纳管。针对数据流通和隐衷爱护，百度平安提供多种计划以灵便满足不同业务场景需要。在数据因素流通上，百度点石联邦学习平台基于密码学计划实现“原始数据不出域”的状况下联结计算或建模，即利用密态计算技术加密传输、保障原始数据可用不可见，严格限定数据区域在全过程爱护隐衷；在此基础上，点石秘密计算平台基于硬件构建虚构平安区域，实现“数据可用不可见”的状况下联结计算或建模，在使用密文计算的同时，放弃了靠近残缺的硬件性能、兼用机器学习和深度学习算法实现联结计算。此外，点石数据安全沙箱基于权限访问控制、数据脱敏、抽样等技术，实现“数据看得见拿不走”的状况下数据领有方单项凋谢数据给数据处理方，即利用多重隔离技术手段构筑数据安全区域，拆散实在数据环境和模型根底调试环境，由此在特定场景如政务数据凋谢中，更好地满足客户需要。在可信 AI 上，百度平安还公布有模型可解释算法库 InterpreteDL、可信 AI 工具集 TrustAI、平安与隐衷工具 PaddleSleeve。InterpreteDL 集成了多种经典的可解释性算法，TrustAI 帮忙 NLP 畛域开发者理解神经网络模型的预测机制，构建更加可信、成果更强的模型，助力神经网络模型更平安、牢靠地落地于理论利用中，PaddleSleeve 从天然烦扰和反抗扰动两方面评估模型鲁棒性和安全性，并通过图像重建及反抗训练形式进行加固。举例而言，在营销畛域通过剖析开掘用户多维数据特色，构建用户画像，进行精准营销。广告主、广告平台及营销公司各自领有一部分用户行为，多方数据整合后能够买通用户行为全链路，晋升广告投放成果。基于百度点石的联邦学习、多方平安计算技术，为客户提供一个平安可控、自主灵便的工具平台，实现数据因素流通，进行多渠道治理、数据资产治理、数据分析和建模的深度利用。
案例中，通过在不同的数据领有方部署百度点石联邦学习平台，用于接入消费者来自不同渠道的数据，蕴含企业主自有用户根底数据、业务数据，以及第三方等多方数据。并利用多方平安计算、联邦学习等多种数据安全与隐衷爱护技术，保障在不替换原始数据的前提下，提供灵便的数据分析、建模等工具，与其 CDP 平台联合，提供对立治理数据与丰盛用户画像等能力。赋能某营销科技公司在保障数据安全的前提下，实现全触点数据采集与剖析，合规地造成企业一方与第三方数据联合的用户洞察，为获客、培养、转化、复购等所有营销流动提供数据驱动，实现平安合规地精细化经营与深度洞察服务。
