CCF TF 23：微众、腾讯、华为等头部企业云集，聚焦联邦学习应用落地

继3月24日在深圳举办TF14探讨联邦学习以来,9月北京ADL103期、10月CNCC2019技术论坛,至10月26日TF23期,这已是CCF发起的第四次联邦学习主题研讨,这次聚焦联邦学习的最新应用落地,近150位来自头部ICT和互联网企业和在京重点高校学生一起分享探讨了这一话题。

从基础理论到应用实战,CCF TF第23期研讨会展示新一代联邦学习应用范例。此次CCF TF第23期“AI联邦学习的最新应用落地”研讨会由微众银行人工智能首席科学家范力欣担任主席,微众银行首席人工智能官杨强、微众银行人工智能部高级研究员范涛、腾讯云大数据及AI中心高级研发工程师秦姝琦、华为消费者BG软件部CTO办公室算法专家朱越、VMware中国研发中心技术总监张海宁、京东智能城市事业部AI平台负责人张钧波、创新工场南京国际人工智能研究院执行院长冯霁、平安科技联邦学习技术部总经理王健宗、中科院计算所泛在计算系统研究中心主任陈益强、北京大学光华管理学院应用经济系教授翁翕作为研讨会的特邀嘉宾,现场讲演分享了最新的行业经验,与参会者热烈交流。

人工智能技术成功突破算法与算力的限制的同时,“数据孤岛”与数据隐私安全问题对人工智能的应用落地提出了新挑战。在这种环境下,“联邦学习”(Federated Learning)成为应对该挑战的关键思路。此前,CCF TF第14期研讨会已经在深圳探讨了在保护数据隐私的前提下如何利用联邦学习开展AI大数据研究。而本期研讨会则着重展示联邦学习技术落地各行业的最新成果,并就联邦学习的激励机制、安全场景等前沿课题做了深入探讨。

“现在联邦学习已经进入一个新的时期,就是落地时期。”在研讨会开场致辞中,微众银行首席人工智能官杨强教授提出,联邦学习的发展需要经历三个阶段,即“点到点的联邦学习发展阶段”,“应用落地、积累案例阶段”与“联邦学习价值联盟网络建立阶段”。在经历以隐私保护为重点的第一阶段之后,目前的联邦学习正在迈向积累经验的落地阶段。哪些领域适合联邦学习?如何体现联邦学习的商业价值?可能面临哪些技术与商业挑战?如何建立不同企业之间的联盟?杨强教授认为,这需要积累大量的案例,而本次研讨会就是一个起点。

在杨强教授展望了联邦学习未来发展阶段之后,本次研讨会主席、微众银行人工智能首席科学家范力欣在《从数据孤岛到隐私保护:联邦学习对各行业AI落地之影响》报告中回顾了联邦学习被提出的历史背景,进一步阐述联邦学习落地的必要性。范力欣博士表示:如今我们正在经历互联网的第四次信息革命,坐拥海量的信息与数据。“这些数据如果能够用AI的方式进行解读,对我们的生活会产生一个大的提升。”为了挖掘海量信息背后的价值,让所有的数据用大家都能接受的方式进行共享,联邦学习应运而生。联邦学习这一新兴的AI技术已经相继落地于各行各业,在智慧城市、智慧终端、智慧医疗等领域都取得了突出的成果。

会议上,演讲嘉宾们来自不同行业不同领域,分别从各自的行业实践出发,分享了联邦学习在各领域的最新应用成果。微众银行人工智能部高级研究员范涛在《FATE:新一代联邦学习技术及应用实战》主题报告中详细介绍了微众银行研发的四大决策型AI产品及联邦学习开源项目FATE在保险科技、信贷风控、行业流程自动化等领域的应用,包括智能定价引擎、智能评分引擎、运营商智能化产品和营销智能化产品,提到:“我们希望通过FATE联合决策能力到决策性AI产品,加速联邦学习在商业场景的落地。”

在保险领域,微众银行AI团队通过对用户的年龄、职业、年租车次数等标签属性进行联邦学习建模,预测出险概率,实现千人千面的定价。在信贷方面,微众银行AI团队研发的智能评分引擎,能够利用开票金额与央行的征信数据等标签属性进行联合建模,将小微企业风控模型区分度——AUC of ROC(衡量模型区分好坏样本的评估标准之一)提升至12%。

在医疗领域,联邦学习技术同样是实现医疗大数据研究的重要方式。中科院计算所泛在计算系统研究中心主任陈益强研究员认为,健康监护需要在普适环境下实现开放域用户行为的智能感知和理解,而面向疾病诊断的智能算法研究存在着限制移动、时空受限等缺陷。针对以上难题,陈益强博士及其团队利用联邦学习技术,将范式驱动的限定场景下面向疾病的诊断模型向普适场景下的健康状态监测进行联邦迁移,从而解决医养结合的应用痛点。

在智能城市建设方面,京东智能城市事业部AI平台部负责人、京东智能城市研究院资深研究员张钧波表示:通过不断获取、整合和挖掘城市中不同领域的大数据来解决城市痛点,是当今城市通向智能城市的途径。张钧波博士在报告中分享了基于大数据和联邦学习的信用城市体系建设,以及京东城市基于城市计算和联邦学习技术打造的产品——数字网关。为了解决城市中数据孤岛、数据共享难的问题,在各级政府机构、大型企事业单位、互联网公司等不同机构间创建安全、共享、智能、高效的连接,数字网关以联邦学习技术为本,以其安全可信、精度无损、场景多样、方便易用、轻量部署、可信分润等优势帮助机构间在合法合规的前提下实现跨域建模和使用。

从智慧终端领域面临的挑战入手,华为消费者BG软件部CTO办公室算法专家朱越分享了智慧终端分布式AI场景下关于联邦学习应用的思考。朱越认为,分布式AI的核心价值在于精准感知与精确预测,并面临系统动态、设备异构、多端多用户协同、适应硬件特性的挑战。其中,突破系统动态、设备异构的壁垒,构建统一的特征空间,并基于统一的特征空间进行多用户多设备的协同训练,给用户带来统一的、连续性的、个性化的服务体验是联邦学习的潜在机会点。

在上述应用领域之外,会议上多位专家针对联邦学习在云服务、安全场景等前沿课题上的实战做了分享。VMware中国研发中心技术总监张海宁将联邦学习与云计算结合,详细介绍了联邦学习开源项目FATE在Kubernetes上应用的方案。在他看来,云服务是联邦学习一个比较理想的落地途径,联邦学习其自身具备的特点,适合在云上和多个用户进行部署和使用,例如可以把在公有云里面联邦学习的机构组织加进来,形成一个异构系统或者生态系统,为不同的组织之间的数据对接提供平台。

腾讯云大数据及AI中心高级研发工程师秦姝琦则针对隐私计算技术的落地展开探讨,从多方隐私计算的应用场景出发,详细介绍了腾讯云神盾沙箱在数据隐私保护AI计算和安全敏感数据资产合作场景的解决方案,并讲解了神盾沙箱的底层架构和上层应用平台。

创新工场南京国际人工智能研究院执行院长冯霁在报告中围绕联邦学习技术框架,详细介绍了联邦学习框架内不同模块可能遇到的潜在攻击方式,如数据下毒、信道监听以及对抗样本等攻击方法,并对此提出相应的解决方案。冯霁认为,工业实践者在具体部署联邦学习技术以满足业务合规化的同时,还需要为现有的联邦学习配置“保护锁”与“疫苗”,以达到更好地保护自身的商业机密。

平安科技联邦学习技术部总经理王健宗在《联邦智能加速AI落地》的报告中,解读联邦智能生态的应用组成与发展前景。王健宗博士认为,联邦智能能够兼顾解决隐私保护与数据共享两大难题,为建立起一个跨企业、跨数据、跨领域的大数据 AI生态提供了良好的技术支持。

除了联邦学习的应用范例,本次研讨会还讨论了联邦学习的激励机制。北京大学光华管理学院应用经济系教授翁翕说这是他第一次参加计算领域的学术研讨,他虽然忐忑但是觉得非常有意义,他认为:在现实的设计中,数据联邦还需要提供足够的经济激励,以保证联邦学习的参与者一直保持参与。在报告中,翁翕教授分享了数据联邦应该采取的最优组织和奖励结构,以帮助联邦学习的从业者在不深入了解博弈论的情形下,就能按照他们的最优化目标以及现实场景,选择不同种类的奖励机制。“联邦学习最后的目标函数就是要最大化集体的效应,同时最小化遗憾,用一种公平的机制来实现长期的稳定性。”

最后的圆桌讨论环节,多位嘉宾就“企业人工智能部门的重要性”、“联邦学习学界与工业界面临的挑战”、“中国企业落地联邦学习应用的优势与劣势”等话题进行深入交流与讨论。

如今,联邦学习技术在助力人工智能落地多个领域的过程中已颇有建树,如何推动这一新兴人工智能技术广泛应用于各行各业,并建立起完善的激励机制,仍是学界与业界需要共同探讨的问题。