蓝象智联创始人徐敏：隐私计算，数据要素价值流通的利器(2)

而随着技术迭代发展，传统金融机构逐渐认识到自身同互联网企业的差距，部分金融机构聘请来自互联网行业的资深运营人员，试图复制互联网企业的运营能力，但最终却反响平平。
对此，徐敏指出：“传统金融机构，自身的数据基础其实还是比较薄弱的，没办法有效支撑相关运营活动，普遍需要外部数据来补充，讲究内外部、跨机构的数据互联互通与相互碰撞。这就像两个武林高手过招，不管谁的招数多厉害，最后获胜的往往是内功更好的，数据就是运营的‘内功’。”
但正所谓知易行难，隐私计算在商用实践中，经常需要两方以上的参与者展开联合计算，因此多方协同特性十分明显。在此过程中，许多隐私计算企业普遍会采用有中心节点的多方向计算方案，将两端数据同态加密后置于中心节点计算。
徐敏告诉数据猿，上述方案在商业应用层面存在限制，特别是在大型金融、运营商或者政企客户之间，很难找到大家都信任的第三方中心点。“传统模式下，数据必须出域才能完成建模，尤其是样本数据，且模型无法被保护，这使金融机构的智能化应用举步维艰。即便在数据提供方处展开计算可以使数据不出域，但这却会在一定程度上暴露调用方的计算规则与模型，这对很多规则敏感性企业来说存在很大风险，例如银行的风控模型如果暴露了也就意味着失效。”
相比之下，蓝象智联基于联邦学习建模，在运营商与金融机构两端部署边缘计算节点，除去了不受信的第三方节点，使两端同时完成加密计算与通讯过程，通过点对点直连，在保护用户隐私的情况下，从根本上避免数据泄露风险，让外部数据的价值得以显现。同时，蓝象智联在充分理解金融行业的实际场景需求的基础上，在产品层面不断推陈出新，开发了很多实用功能，例如支持模型部署在业务方侧，在模型预测中同时保护数据方的数据和业务方的敏感模型。
GAIA——金融级隐私计算产品
艾瑞咨询调研显示，预计2022年展开隐私计算投入的金融机构数量约是2021年的2倍或2倍以上。隐私计算需求侧井喷，显然吸引了诸多玩家涌入赛道，使得行业愈发拥挤。
面对市面上不断涌出的各种产品，徐敏大致将其分为三类等级：第一类是实验室级产品，即具备初步功能的原型产品，但无法适配企业业务的多样性复杂环境和性能要求；第二类是企业级产品，该类别用途广泛，能覆盖多个行业；而第三类就是金融级产品。
金融行业IT水平整体较高，数字化程度亦领先众行业，对于隐私计算产品的要求自然更为严苛。“金融机构既追求高可用性、高性能，亦对产品安全性、可管理性等方面要求颇高，例如，在目前蓝象智联技术介入的业务场景中，金融机构往往需要在一两百毫秒内获取结果，即便在多样性复杂的跨机构的网络条件下、或者在多家机构组成的复杂数据网情况下，也必须要保持这样的性能要求，这对于隐私计算服务方而言无疑是极大的考验。”徐敏介绍道。