导语:隐私保护VS数据共享,如何取舍?

在日常生活中,你是否会接到莫名奇妙的推销电话,或者是收到很符合需求的推送?这些都是你的个人数据被泄露的表现。大数据时代,人们的个人信息、消费需求、甚至生活习惯都会形成数据,由个人数据织成的信息网覆盖范围极广,且能产生巨大经济价值,网上甚至形成了贩卖用户信息的“黑产”链条。数据时代的隐私保护正在成为备受大众、监管、企业等多方关注的话题。

隐私计算迎元年,联邦学习让数据“可用不可见”

2020年,《数据安全法(草案)》、《网络数据安全标准体系建设指南(征求意见稿)》、《电信和互联网行业数据安全标准体系建设指南(征求意见稿)》等监管政策相继出炉,数据安全问题备受重视,隐私计算有望迎来新的发展突破。政策的出台从中央层面夯实了2020年隐私计算元年地位的权威性,与此同时,根据国际调研机构Gartner最新的一份战略科技趋势预测显示:隐私计算成为2021年重点深挖的9项技术之一,到2025年,将有一半的大型企业机构使用隐私计算在不受信任的环境和多方数据分析中处理数据。

隐私计算涉及到多种技术,包括安全多方计算、联邦学习、差分隐私、可信执行环境等,每个技术既在各自领域独立发展,也呈现出融合统一的趋势。其中联邦学习可以说是为人工智能“量身定制”的隐私计算解决方案,也是平安科技蜂巢联邦智能平台的核心技术,可以实现在保护用户隐私的前提下建模,建模所交换的是模型的中间参数和梯度,让原始数据不离开用户,最大程度保护用户隐私。

就具体加密手段而言,针对不同的性能要求,蜂巢联邦智能平台可以提供不同等级的加密模式,对于加密要求严格的业务方,提供了国密SM4的加密模式,除此之外,还支持同态加密、差分隐私等,以适应更多的业务场景。在实际的建模和推理过程中,重要的模型参数、每个用户本地的数据等关键信息都是存放在安全容器中的,每一次访问都需要经过安全审计和加密,以此达到保护用户隐私的效果。简单来说就是用技术手段,帮助企业实现数据“可用不可见”,让不同来源的数据安全共享,产生更大价值。

隐私保护前提下,企业如何实现数据“共同富裕”?

大数据时代,数据的运用是一把双刃剑。用户隐私面临着可能无处不在的“算计”,同时基于大数据的应用,给日常生活、经济发展、城市治理等带来了极大的便捷。如何在保护隐私的情况下,让个人端和商业端共赢,实现全行业共同的增益?让AI落地加速推进,也能平稳着陆?

平安科技给出的答案是基于联邦学习、联邦推理等核心技术,支持国密级加密方式的蜂巢联邦智能平台解决方案,目前蜂巢联邦智能平台已经成为解决当下数据难题与隐私保护的一大利器,助力企业建设跨企业、跨数据、跨领域的大数据AI生态。

以健康险定价场景为例,保险企业拥有用户的基础数据,然而单一维度的数据并不能满足企业的业务需求,这时候利用蜂巢联邦智能平台,可以联合一些用户健康、运动数据进行联邦建模,在数据不出本地、不侵犯用户隐私的情况下,收集到一些用户日常习惯、健康运动等维度的数据,例如一年体检几次、体检报告情况,每天的运动量等。扩充用户健康信息的数据联合建模可以让保险公司精准了解客户健康状况,从而给出更加精准化的保险定价,达到赋能业务的效果。

平安科技蜂巢联邦智能平台研发团队称:我们的初衷,是希望企业或部门之间能够达成数据不出本地的一种合作机制,大家能够把自己的数据贡献出来,共同去完成建模过程。从2018年至今,平安科技蜂巢联邦智能平台已经服务营销、获客、定价、风控、智慧城市和智慧医疗等多个场景,评获了“2020年CCF科技进步优秀奖、2020IDC数字化转型金融奖”等人工智能行业重磅奖项,还被授予工信部2020年网络安全应用示范试点单位,同时整个团队在联邦智能技术上也获得了包括专利、论文在内的诸多科研成果。

在数据黑产泛滥的当下,人们隐私保护的意识愈发强烈,加之企业间、部门间广泛存在的数据壁垒,为数据共享的通路造成了障碍,平安科技蜂巢联邦智能平台则为破解数据隐私保护问题提供了一道技术良方,并帮助企业在数据赋能业务上实现进一步突破。