0
| 本文作者： 周蕾 | 2020-06-14 09:44 | 專題：金融聯(lián)邦學習公開課 |
近日，香港人工智能與機器人學會（HKSAIR）創(chuàng)會理事長、微眾銀行首席AI官、香港科技大學講席教授楊強老師，領(lǐng)銜HKSAIR《AI金融》系列線上講座第一課，主講聯(lián)邦學習及其四大應用場景。
以下為楊強教授演講全文，雷鋒網(wǎng)做了不改變原意的整理：
我們這次的課程系列，與當前大家在工業(yè)界和學術(shù)界非常重視的一個議題相關(guān)，就是如何利用數(shù)據(jù)做人工智能的模型，同時又能夠保護用戶的隱私，保護數(shù)據(jù)的安全。
很多同學聽說過深度學習，聽說過監(jiān)督學習，可能沒有聽說過聯(lián)邦學習。這個也是要給大家交代一下聯(lián)邦學習的由來。
為什么我在微眾銀行建立AI團隊？我在觀察金融的各個方面能不能用AI的模型給包裝起來。因此我們設(shè)計了以下四大版塊，產(chǎn)品和業(yè)務已經(jīng)出爐，可以說是“AI落地急先鋒”。
詳細說一下AI+服務，比如開戶驗證身份要進行人臉/語音/指紋識別，又比如小微企業(yè)的企業(yè)主申請企業(yè)貸款上傳執(zhí)照要通過OCR圖像識別、文字識別獲取，自動產(chǎn)生信用評估?，F(xiàn)在AI+服務大概每天能處理百萬以上的這種需求。
以語音識別為例，我們做到了自主自研，與眾多業(yè)界領(lǐng)先的語音識別的提供者相比具有明顯優(yōu)勢，一是因為我們金融領(lǐng)域的知識，有大量特定話術(shù)和專業(yè)詞匯的儲備，在各種具體的特殊環(huán)境下都能處理。二是我們有非常先進的聯(lián)邦學習技術(shù)，這就是今天的主題。還有遷移學習，可以很快把通用模型適配到特殊的場景。
AI+營銷，有了產(chǎn)品也要有能力傳播出去，找到對的人和企業(yè)，去提供金融服務。
怎么找到正確的需求？比如微信朋友圈，大家有時候會看到小微企業(yè)貸款廣告，說明系統(tǒng)“認出”你是一個小微企業(yè)主。我們通過很多的特征來識別，很快賦予額度給小微企業(yè)的企業(yè)主，秒級批準。另外，推薦系統(tǒng)是非常有用的一個技術(shù)，我們把推薦系統(tǒng)和遷移學習、聯(lián)邦學習結(jié)合起來，形成了新的技術(shù)優(yōu)勢，后面會細說。
在金融行業(yè)一個很大的優(yōu)勢，就是風控非常嚴格，要高效做信用評估，那就需要很多數(shù)據(jù)，360°來觀察企業(yè)或者申請貸款的用戶。但同時又不希望這些數(shù)據(jù)的隱私被暴露，如何能夠做到這一點？這，就是聯(lián)邦學習要做的事情。
舉例：金融保險定價，我們把違約概率大幅縮減，個性化的保險定價提升8倍。小微企業(yè)風控模型準確率提高，相應地，壞賬率降低。
我們有一個叫做攬月的產(chǎn)品，是從衛(wèi)星視角往下看，能看到企業(yè)的經(jīng)營狀況，比方說左下角可以通過卡車個數(shù)和活躍度看到礦業(yè)的經(jīng)營狀況。右上角是農(nóng)業(yè)種植區(qū)域，可以通過衛(wèi)星評估產(chǎn)量。左上角是洪水泛濫受災地區(qū)，通過衛(wèi)星對地區(qū)受災的程度進行定價。右下角是煙囪污染，環(huán)境在投資里是社會價值的體現(xiàn)，對環(huán)境的保護體現(xiàn)了公司治理水平，相應產(chǎn)生的ESG指數(shù)，很多也來自于于衛(wèi)星圖像觀察。
綜上所述，這4個版塊，2個是前端的（服務、營銷），2個是后端的（風控、資管）。
在這個過程中，數(shù)據(jù)是非常缺乏的。要保護我們的隱私，同時也想要服務，怎么做到？下面這句話叫做“數(shù)據(jù)不動，模型動”，希望大家就記住這7個字。這個就是聯(lián)邦學習的精髓。
AlphaGo出現(xiàn)以后，人工智能井噴式發(fā)展。但我們周圍日常的生活，有的卻是小數(shù)據(jù)，不要以為大公司就一定有大數(shù)據(jù)。像在金融里面有很多的數(shù)據(jù)，其實是黑天鵝現(xiàn)象。比方說在反洗錢應用中用于模型訓練的洗錢案例，其實數(shù)量并沒有想象中那么多，還是屬于少數(shù)現(xiàn)象。這種數(shù)據(jù)拿它來訓練，效果不是很好。在醫(yī)療也是這樣，每天都有那么多的病人，一定是大數(shù)據(jù)嗎？
有一家公司叫做第四范式，用人工智能賦能金融場景。有很多頭部銀行都在使用它的產(chǎn)品，其中一個案例很有意思：豪車這種大額貸款，如果要建一個模型來做這種大額貸款的信用度的評估，數(shù)據(jù)往往是在上百例以內(nèi)，這點樣本是沒有辦法訓練一個好的深度模型的，或許可以來訓練 support vector machine（支持向量機）或decision tree（決策樹），但往往不精確。
又比如，大家都很憧憬無人車的到來，但遲遲不來，其中一個重要的原因，就是因為無人車還不靠譜。我們不知道它見到一個它沒見過的情況會發(fā)生什么，為了應付這種情況，可不可以把所有汽車上面的傳感器、攝像頭的數(shù)據(jù)全部聚合在一起，飛快地訓練一個無人車的視覺模型？不行，因為每一個在路上的車輛，雖然它可以收集自己前面的影像數(shù)據(jù)，但是它不肯把這個數(shù)據(jù)和別人去共享，因為它有很多出行隱私在里面。即使這些無人車都是跟云端在連接的，模型卻沒有辦法及時更新。
很多類似的端計算場景，就沒有辦法真正的實現(xiàn)，因為數(shù)據(jù)的割裂和短缺。
能不能把這些眾多的小數(shù)據(jù)集給聚合起來，成為大數(shù)據(jù)？過去，確實是這樣做的?，F(xiàn)在，這樣做的結(jié)果就是違規(guī)。
比方說，歐洲在18年就推出了一個非常嚴格的個人隱私法規(guī)，說數(shù)據(jù)的擁有權(quán)是絕對在終端用戶那里。如果服務器端的公司，要用戶的數(shù)據(jù)來訓練某個模型，比方說搜索引擎的模型，它就一定要得到用戶的許可。假設(shè)明天它要用同樣的數(shù)據(jù)去訓練推薦引擎的模型，那又得到用戶那去，得到新的許可。用戶如果哪天說不希望你用我的數(shù)據(jù)在你的模型里了，那么從此以后，這個公司就沒有辦法用用戶的新的數(shù)據(jù)，這個叫“被遺忘權(quán)”。
很多巨頭因此被罰，Google就被罰了5000多萬歐元， Facebook也遭受了滑鐵盧。
在國內(nèi)，數(shù)據(jù)的隱私保護已經(jīng)是處于一個非常嚴格的態(tài)勢，很多大數(shù)據(jù)公司，在過去都是新貴，但是現(xiàn)在都變成了階下囚。我們現(xiàn)在在國內(nèi)的銀行里面工作，深知數(shù)據(jù)是紅線，萬萬碰不得的。
應該說，聯(lián)邦學習現(xiàn)在已經(jīng)變成了國內(nèi)外的技術(shù)上的一個重大趨勢，并且它已經(jīng)是一個跨領(lǐng)域的概念，它不僅僅是技術(shù)，而且是商業(yè)，它有自己的商業(yè)模式。
在過去，數(shù)據(jù)動模型不動，也就是說我們從各地來購買數(shù)據(jù)，或移動數(shù)據(jù)到一個中心點，在中心點建立模型。
用一個簡單的例子來給大家進行解釋：假設(shè)用一只羊來類比機器學習模型，草就是數(shù)據(jù)，我們希望羊吃了草以后能夠長大。過去的做法是，把草買到一起來建立模型。比方說左邊的模型，左邊的箭頭是指向羊的。羊不動，但是草被購買到中心。相當于用簡單粗暴的辦法來獲取數(shù)據(jù)，形成大數(shù)據(jù)，來建立模型。
但我們希望能夠保護各自的隱私，所以讓草不動，讓羊動。這樣羊既能吃那個地方的草，主人又不知道到底吃了哪些草，久而久之羊就長大了——這個就是聯(lián)邦學習的新思路，就是讓草不出草場，本地主人無法知道羊吃了哪些草，但是羊還是長大了。
比如每一個手機都是我們個人在使用，形成了一堆樣本。有不同的手機，每個手機基本上取的這些特征都一樣，但樣本卻不同。我們希望在數(shù)據(jù)不動的情況下，能夠聚合這些手機上的數(shù)據(jù)的這些能力，建立大數(shù)據(jù)模型。
左邊所示的數(shù)據(jù)集們，依次對應右邊各終端上面的數(shù)據(jù)。它們的特征是縱向的，X1、X2、X3是類似的，但樣本U1、U2…U10卻是不同的。所以這個叫橫向切割，按樣本切割，簡稱“橫向聯(lián)邦學習”。
我們可以在本地建一個粗糙的模型，用w來表達它的參數(shù)，同時對參數(shù)加密。有密鑰的人才可以看到內(nèi)涵，別人和服務器也看不到加密后數(shù)據(jù)包里的內(nèi)容。服務器得了加密后的參數(shù)，就可以通過某種形式，把這些加密后的參數(shù)加以更新、聚合、處理，形成一個更大的模型。
這里大家可能會有疑問，你得到的是一個加密的包，是一堆亂碼，怎么可以把兩堆亂碼加到一起？還成為一個有意義的模型？這個問題，我留在下一頁來解決。
每一個地方的數(shù)據(jù)，就對應這里有一個顏色的小表格，行是每一個用戶的數(shù)據(jù)，列是每一維的特征?？梢钥吹竭@個特征在不同終端上的特征是類似的，但是用戶不一樣。按照用戶來切割，并沒有按照特征來切割。
有了這樣的一個形態(tài)以后，我們就可以把剛才給大家講的故事，寫成一個算法。這個算法里最關(guān)鍵的第4步是把運到服務器端的加密模型，這些包用一個f函數(shù)來處理，它是一個機器學習算法，作用在參數(shù)上。
我們原來有這么一種新型的加密算法，他可以讓機器學習的算法可以穿透加密層進到內(nèi)涵，也就是說我們對一堆加密包的某種數(shù)學運算，相當于對于某種數(shù)學運算的加密。這其實是一個小學的概念，叫做distribution law（分配律）。
同態(tài)加密，可以把多項式的加密，分解成每項加密的多項式，A+B的加密，變成A的加密加B的加密，這是非常偉大的貢獻。因為這樣就使得我們可以拿一個算法，在外面把算法給全部加密，加密的一層可以滲透到里面的每個單元。
安卓系統(tǒng)利用剛才所說的橫向切割，即橫向聯(lián)邦學習的方法，不斷更新一個總的模型，并且把總的模型分配到本地。在這個過程當中沒有數(shù)據(jù)移出本地，并且即使在云端在進行運算的過程當中，也不會偷窺到任何的這個參數(shù)和任何的數(shù)據(jù)本身。所以，谷歌的安卓系統(tǒng)現(xiàn)在已經(jīng)在使用，通過基博爾系統(tǒng)對輸入法進行更新。
如果是某互聯(lián)網(wǎng)公司和某家銀行合作，并不按照樣本切分，這兩家可能具有同樣的樣本，用戶群類似，但卻有不同的特征。這種情況下，數(shù)據(jù)其實是按照特征縱向來切割的，所以我們管這個模式叫做縱向聯(lián)邦學習。
比方說兩家數(shù)據(jù)擁有方各自建立一部分的模型，但是在建立的過程當中，它需要知道那一部分模型所計算的結(jié)果和梯度，計算的梯度來告訴最后的結(jié)果是在往哪個方向發(fā)展，這需要一個gradient和一個era。在交換過程中，又引入剛才所說的同態(tài)加密的算法，使得兩邊可以在不看對方數(shù)據(jù)內(nèi)容的情況下，不斷更新自己這一部分的模型。
這是訓練的過程，我們還有使用的過程。使用的過程叫inference，也需要兩方來進行。也就是說，如果有一方到一半的時候說不合作了，那么聯(lián)邦模型就應該停止，這個效果也是可以實現(xiàn)的。
我們現(xiàn)在講了兩種模式，一種是橫向聯(lián)邦，那么橫向聯(lián)邦更多的是to c。to b 是幾家公司有意愿合作，可能數(shù)目不多，但每一個地方的數(shù)據(jù)都是客觀的。在這種情況下，他們要做出1+1＞2的效果，就可以用縱向聯(lián)邦來進行。
問：聯(lián)邦學習和分布式機器學習最能區(qū)分的點是什么？
可能以前做機器學習的同學做過分布式機器學習，比方說有參數(shù)服務器這樣的概念。分布式機器學習，目的是加速，加速的辦法是通過網(wǎng)絡、多個服務器的平行并行計算。它就要考慮把這個數(shù)據(jù)給切分成不同的塊，使得每一塊的計算是在不同的服務器上進行的，但是每一塊它的分布又是差不多的。
但在聯(lián)邦學習中，我們不能保證所有的數(shù)據(jù)擁有方，它的數(shù)據(jù)分布是一樣的。分布式機器學習的目標是加速，聯(lián)邦學習的目的是合作，同時保護隱私，所以最終目的還是不一樣。
問：聯(lián)邦學習和安全計算是什么關(guān)系？國外是不是有類似的這種經(jīng)驗？
安全計算應該說是聯(lián)邦學習的重要組成部分，聯(lián)邦學習不是一個孤立的算法，它是一個綜合性的學科，安全計算是為它提供工具的。前面說到安全是用同態(tài)加密來進行，也可以用其它的方法，比方說姚期智院士發(fā)明的Garbled Circuit（混淆電路）。
問：區(qū)塊鏈聽起來和聯(lián)邦學習有點像，都是在多方進行的，它們是不是有些異同？
它的做法可能有些相同，但是也有巨大的不同。相同的地方是它可以用區(qū)塊鏈的分布式記賬功能來進行有效的激勵措施。激勵措施是我剛才所沒有講的，就是說怎么鼓勵參與方持續(xù)地投入，參與到聯(lián)邦里面來。同時去中心化的概念，也是我們尤其是縱向聯(lián)邦里面的一個概念。
但一個很大的不同是，區(qū)塊鏈為了保證 transparency，還有保證數(shù)據(jù)的不可篡改性，那么它要把同樣一份數(shù)據(jù)多次copy到不同的場景，最后大家要有一個vote的機制，但是聯(lián)邦學習卻不然，聯(lián)邦學習是一個數(shù)據(jù)，只有一個copy，它不能夠出本地，所以它的目的就是通過這種uniqueness的方法來保證用戶的數(shù)據(jù)的隱私和安全。
還有我們新提出來的虎符性概念，就是多方參與，才能夠計算。缺了一方，這個就無效，就像戰(zhàn)國時代，你要把虎符兩個印要對上才能夠用兵，這個是聯(lián)邦學習的一個優(yōu)點。
問：如果有一方數(shù)據(jù)是壞人怎么辦？
比如橫向聯(lián)邦，如果有一個手機，它其實是壞人，它參與了計算，那么它每次貢獻的模型都是在下毒，也就是說它在把最后的結(jié)果在朝著他對它自己有利的方向發(fā)展，或者在縱向聯(lián)邦的時候，兩方當中，其中有一方，它的目的就是為了窺探對方的隱私， 怎么辦？
在場景下，我們有各種各樣的做法。比方說做OCR，written text是0，這個是原始數(shù)據(jù)，我們讓計算機識別0。如果不做加密，我們沒有一個機制，這種所謂的對抗是可以做到的，壞人是可以通過參數(shù)或者一系列梯度的泄露可以反猜原始數(shù)據(jù)。
在建立模型訓練的過程當中，如果這個模型的 gradient不斷被引向到一個第三方，第三方獲取 gradient，最后reconstruct我們就用data，通過這樣的辦法可以去做竊聽。題目也是在去年NIPS得到最佳paper的一個題目，是MIT韓松教授做的。
應付它的方法，也是聯(lián)邦學習的一個拿手好戲。比方說假設(shè)一個player，半誠實（Honest-but-curious）就是好奇，但本身不壞。還有人是惡意的，想搞破壞，想得到用戶隱私，然后獲利。對于不同的假設(shè)，可以設(shè)計不同的聯(lián)邦學習算法和多方計算算法來防止下毒，還可以做零知識（Zero knowledge）和一些知識（Some knowledge）分類。服務器端也可以區(qū)分是不是惡意中心、惡意的數(shù)據(jù)節(jié)點和非惡意的數(shù)據(jù)節(jié)點。
問：金融場景有沒有遇到過壞人？
在聯(lián)邦學習里面，如果有同學現(xiàn)在在找題目，說我能不能在聯(lián)邦學習找一個碩士題目或者找一個PHD的topic？完全有的，但是要聚焦，因為聯(lián)邦學習涉及的方面實在是太多了，所以如果你要找一個題目，你往往會找一個子題目，比方說如何能夠做到安全合規(guī)，如何能夠設(shè)計一種機制防御攻擊，提高算法效率。
比方說我們科大的陳凱老師，他帶領(lǐng)的團隊就在設(shè)計全世界領(lǐng)先的算法，網(wǎng)絡效率可以通過網(wǎng)絡的設(shè)計，包括網(wǎng)絡protocol、芯片的設(shè)計來提高。還有王威老師、宋陽秋老師，都在設(shè)計算法，他們的算法都是非常精確的。
問：你講模型我還是云里霧里的，模型到底是做什么的？
打個比方，現(xiàn)在每個人都用手機，有時候也看抖音，一看就很長時間過去了。為什么抖音能做到這一點？精準的推薦和個性化，利用數(shù)據(jù)來做推薦系統(tǒng)。
如圖所示，比方說我們有很多的手機，每個手機上都有數(shù)據(jù)。抖音的做法，是把每個手機上的數(shù)據(jù)上傳到云端，再利用所聚集的大數(shù)據(jù)訓練模型，再適配到每一個人的個人數(shù)據(jù)上，就變成個性化推薦模型，再給推到手機端，就是循環(huán)往復這樣一個過程。
這過程有個缺點，就是它侵犯了用戶隱私，每個人的數(shù)據(jù)，云端就會看到。怎么防止？這里我就要說聯(lián)邦學習+推薦系統(tǒng)，就是聯(lián)邦推薦，這個也是我們第一次提出federated recommendation的一個算法。
它的算法宗旨，就是對每一個手機上的 transaction，用戶以前看過的視頻或者書，進行矩陣分解，得到用戶空間和產(chǎn)品空間。如果你們喜歡數(shù)學，你們可能知道本征值、本征向量，線性代數(shù)里面的概念，實際上就是求這個值，但基于本地數(shù)據(jù)求值是非常不準的。所以通過聯(lián)邦學習，能夠讓他們既能夠利用所有的數(shù)據(jù)來求 ，同時不把本地的數(shù)據(jù)暴露給其他任何人。這就是聯(lián)邦推薦的概念，可以在toB的形勢下實現(xiàn)，就是縱向聯(lián)邦。
縱向聯(lián)邦現(xiàn)在應用在哪里呢？又有一個新的名詞，叫做聯(lián)邦廣告。
現(xiàn)在互聯(lián)網(wǎng)的一大經(jīng)濟支柱就是廣告，在現(xiàn)有的廣告架構(gòu)下，廣告是不可避免地侵犯用戶隱私。聯(lián)邦廣告可以讓廣告方、投放的媒體方、用戶方各自保留自己的數(shù)據(jù)，同時提高投放準確率。
問：聯(lián)邦學習訓練后的模型是一個公共的模型，而各個客戶端的數(shù)據(jù)經(jīng)常是non-iid的，怎么辦？
聯(lián)邦學習訓練后的模型，是一個公共的模型，而各個客戶端的數(shù)據(jù)經(jīng)常是分布都不一樣，比方說我們有一個手機是女生用的，她看的短視頻和一個男生用的手機的看的短視頻，可能是完全不一樣的短視頻，因此我們拿他們兩個的數(shù)據(jù)粗暴地做數(shù)據(jù)聯(lián)邦，這個效果是肯定不好的，這是機器學習的一個常識。
怎么辦？我們還有元學習，和多任務學習、遷移學習是可以解決non-iid問題的。
又要給大家提一個新名詞，叫做聯(lián)邦遷移學習，在之前每一端都先要做一個聯(lián)邦遷移學習，找到自己的一個子空間，在這個數(shù)據(jù)子空間的比對下，大家可以認識到自己找到的子空間，各自找到子空間是屬于同分布的就可以。那么找到子空間，可以用聯(lián)邦學習來實現(xiàn)。這個領(lǐng)域論文非常的少，所以如果有同學在找題目，我鼓勵大家在這個方面發(fā)力，一定是明年各個頂會的文章，best paper一定是屬于你們的。
假設(shè)我們要給一些小微企業(yè)貸款，又不知道小微企業(yè)的情況，第一個可以問詢的是央行征信，比方說他過去在某個銀行貸過款，信用度如何，但這種數(shù)據(jù)，它的樣本往往是非常少的，所以只是去找央行的數(shù)據(jù)遠遠不夠。
我們希望用到的數(shù)據(jù)是多方面的，比如工商、稅務、輿情，還有各種資產(chǎn)的數(shù)據(jù)。但是這些數(shù)據(jù)擁有方，往往都是政府的不同部門、不同的企業(yè)。有專門的公司去幫助這些小微企業(yè)建立電子化的發(fā)票，有從專門的業(yè)務角度觀察，我們只有用聯(lián)邦學習才能說服他們來參與，否則他們擔心核心資產(chǎn)會被泄露。
這里的例子，是我們在企業(yè)貸款里面基于聯(lián)邦學習的風險控制模型。某個銀行和某個發(fā)票企業(yè)最后形成聯(lián)邦，大為提升準確率，降低壞賬率。
保險其實就是風險，風險和數(shù)據(jù)是分不開的，數(shù)據(jù)越多，風險越低，因此保險公司在某些程度上也想合作，因為不同的保險公司有不同的數(shù)據(jù)。有的保險公司是專門為保險公司保險的，叫做再保險公司，比方說瑞士再保險公司，是世界上最大的再保險公司，有100多年的歷史，這些公司在過去因為數(shù)據(jù)割裂，沒有辦法合作的?，F(xiàn)在就在用聯(lián)邦學習，而且取得了非常好的效果。
比方說我們有不同的攝像頭，每個攝像頭都覆蓋一個區(qū)域，這個地方的數(shù)據(jù)是公司的核心資產(chǎn)，不愿意和別的公司去share，但是他又希望利用到別的公司的數(shù)據(jù)，來增高自己的準確度，這個時候就可以用到聯(lián)邦學習，我們叫視覺聯(lián)邦，已經(jīng)落地實施。每天深圳的建筑工地用來探測危險，影響施工的一些現(xiàn)象，比方說明火抽煙和不戴安全帽的現(xiàn)象。
另外，語音識別、IOT在倉儲管理的場景，聯(lián)邦學習也有所應用。不同的倉庫可以形成線性聯(lián)邦，監(jiān)測地方倉儲狀況，這些狀況就為風控模型和為物流業(yè)的決策提供了保障。
我們最近和騰訊的天眼實驗室合作，成功構(gòu)建了一個“腦卒中發(fā)病風險預測模型”，通過使用來自就診記錄數(shù)量TOP5的醫(yī)院真實就診數(shù)據(jù)驗證，聯(lián)邦學習模型和集中訓練模型表現(xiàn)幾乎一致，在腦卒中預測模型中的準確率達到80%，僅比集中訓練模型準確率降低1%。
同時，聯(lián)邦學習技術(shù)顯著提升了不同醫(yī)院的獨立模型效果，特別是，對于兩家腦卒中確診病例數(shù)量較少的醫(yī)院而言，聯(lián)邦學習分別提升其準確率10%和20%以上。
聯(lián)邦學習不僅僅是一個算法，而是一個操作系統(tǒng)。因為有激勵機制在里面，可以把不同的行業(yè)給凝聚在一起，使得大家有動力，不斷用聯(lián)邦學習來做聯(lián)盟。除了剛才提到的場景，還有銀行和監(jiān)管聯(lián)合跨境反洗錢，互聯(lián)網(wǎng)+保險，互聯(lián)網(wǎng)+銀行風控，互聯(lián)網(wǎng)+零售，這些問題都可以通過聯(lián)邦學習更好解決。
我們建立生態(tài)，建立平臺，建立標準。也希望這個不僅僅是一個算法，而是新的paradise。我有的時候跟媒體講，AlphaGo代表了AI 1.0，它就是說在一個地方有數(shù)據(jù)，在一個地方有算法，在一個地方可以有一個很好的模型，就是AlphaGo。
現(xiàn)在我們進入了AI 2.0，我們在不同的地方有數(shù)據(jù)、算法、業(yè)務，我們還可以做AI，這個是谷歌所沒有做到的，中國現(xiàn)在在這個方向是領(lǐng)頭的。
怎么做到這一點？首先要建立標準。我們特別自豪的一點是，世界上第一個聯(lián)邦學習的產(chǎn)業(yè)聯(lián)盟，建立的IEEE的標準，已經(jīng)到了最后一步，馬上就要正式發(fā)布了，敬請關(guān)注。同時在國內(nèi)，有聯(lián)邦學習的團體標準，這個也是微眾銀行領(lǐng)銜發(fā)布。我們有一個聯(lián)邦學習的開源平臺，就在Linux Foundation上，是金牌的開源平臺，短短兩個月就收集到貢獻者打的上千星，到現(xiàn)在已經(jīng)2000以上。在短時間得到這樣的認可，也是非常難得。
教育方面，我們先后出版了英文和中文版，是聯(lián)邦學習第一本書。另外還在做一個專題網(wǎng)頁，提供教學PPT、習題、考試題，為師生提供方便，希望大家都能夠很快了解這個領(lǐng)域，并且參與到里面來。
欲收看本系列課程回放，請掃描下方海報二維碼進入專題頁面，或點擊https://www.yanxishe.com/course?from=indexmap觀看。
雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)
雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
專題
