蓝象智联创始人徐敏：隐私计算，实现数据要素价值流通的利器(2)

过去，大数据征信崛起，暴露出了传统金融机构掌握数据的薄弱面。银行目前经验往往只能遵循“二八法则”，因缺乏数据，难以验证多数客户风险，只能通过20%的客户实现80%的收入；面对占比80%的海量客户“心有余而数不足”，恰恰反映出金融领域的一大难题，即“数据孤岛”问题。
“虽然金融机构能够构建起自己的多维度数据处理能力，但如何安全合规地获取和使用机构内外部数据，进而促进业务发展要求，这里还有很多优化点。而我们进入隐私计算行业的初衷，正是希望通过科技提升传统金融机构的数据能力。如果说前几年在阿里云期间的主要任务是让金融机构具备互联网平台一样的业务爆发力，接下来几年在蓝象智联的主要任务是让更多金融机构具备像互联网平台一样应用数据的能力。”徐敏谈道。
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。