0
夢想與現(xiàn)實從來都是糾葛著的，AI也不例外。
以AI落地最多、最快的安防行業(yè)為例，過去幾年，行業(yè)各類神捕、鷹眼等產(chǎn)品讓人眼花繚亂。
漸漸地，AI成為了無所不能的代名詞。
但是AI在安防行業(yè)的真實應用，還有很多現(xiàn)實問題亟需解決。
宇視CEO張鵬國提到，“當前AI落地能力與用戶需求存有較大差距，前者還需面對數(shù)據(jù)隱私保護與安全管控、低成本、流程再造、組織變革等挑戰(zhàn)?！?nbsp;
具體來看，最為核心的痛點有二：
其一，數(shù)據(jù)不夠多元，且異常封閉。
中國擁有龐大的人口數(shù)量、用戶量及圖像采集點，相關企業(yè)得到數(shù)據(jù)之后經(jīng)過篩選、過濾、疊加、組合，會對自身算法效果有階段性提升。
但這類提升屬于個人式的、微乎其微式的。
每個廠商所建設的AI系統(tǒng)類似一個又一個的“煙囪”，“煙囪式”架構也就是垂直的體系結構。
每一個IT系統(tǒng)都有自己的存儲和設備，以及獨立的管理工具和數(shù)據(jù)庫，不同的系統(tǒng)不能共享資源、不能交付和訪問，形成了資源孤島和信息孤島。
由于不同企業(yè)的數(shù)據(jù)庫模型設計和針對的目標有所不同，他們也無法直接交換、共享模型。
即便相關企業(yè)間的數(shù)據(jù)庫可以融合，但受制于隱私、安全等問題，也絕不可如此為之。
有場景缺數(shù)據(jù)、有數(shù)據(jù)難共享。這是包括AI安防在內(nèi)的諸多行業(yè)目前存在的普遍問題，也是阻礙AI普惠的最大痛點。
其二，缺乏優(yōu)質(zhì)數(shù)據(jù)，算法不夠精準。
由于缺乏足夠優(yōu)質(zhì)數(shù)據(jù)作為訓練支撐，大多企業(yè)依靠開源框架微創(chuàng)新，然后采用低價策略搶占市場，導致整個行業(yè)喪失了做基礎原創(chuàng)技術創(chuàng)新動力的案例。
堅持自研是一條漫長且艱苦的路，沒人知道數(shù)年的努力能不能換得一次數(shù)量級的提升，也沒人知道高投入后是否得到與之相匹配的回報。
對此有人或許會提到，基于安防行業(yè)自身天然的高試錯率，小數(shù)點后的算法精度數(shù)量級提升對于項目的最終歸屬沒有大的改變。
其實，現(xiàn)階段與安防相關的AI技術精準度還遠遠沒有達到天花板，分類檢測、分割、以及對整個圖像區(qū)域分類問題均還未得到很好解決。
概括而言，AI技術在安防市場上的應用主要還存有幾個挑戰(zhàn)：
1、認知問題相較感知問題較難解決。感知問題可以用神經(jīng)網(wǎng)絡函數(shù)逼近，相比之下認知問題解決起來比較棘手，比如如何教會機器辨識一把椅子。
2、在弱線索、遮擋、模糊、對象追蹤等情況下，人類在識別的過程中通常會依據(jù)常識，并加入豐富的想象及推理。但是想要將這些能力傳授給機器則非常困難。
3、計算機視覺技術帶給機器的能力不只是用來觀察世界，而是需要與世界建立聯(lián)系，從而一起做交互，而想要做到“交互”這一步，還有很長一段距離。
基于安防場景的不斷變化，其對算法迭代的要求一定是非常嚴苛且上升的。
在這個市場中，誰能夠看到算法精度提升解鎖的更多場景，并根據(jù)場景的變化做到最為快速且精準的反應，誰就能在未來競比中走得更遠。
一方面，AI在安防行業(yè)的探索才剛剛開始；另一方面，做好AI所必須的數(shù)據(jù)養(yǎng)料有限且質(zhì)量較差，不同數(shù)據(jù)源之間存在難以打破的壁壘。
除了少數(shù)幾家擁有海量用戶、具備產(chǎn)品和服務優(yōu)勢的巨無霸企業(yè)外，大多數(shù)中小型AI安防企業(yè)難以以一種合理、合法的方式跨越人工智能落地的數(shù)據(jù)鴻溝，或者需要付出巨大的成本來解決這一問題。
此外，隨著大數(shù)據(jù)的發(fā)展，重視數(shù)據(jù)隱私和安全已經(jīng)成為一種世界性的趨勢，一系列條例的出臺更是加劇了數(shù)據(jù)獲取的難度，這也給人工智能的落地應用帶來了前所未有的挑戰(zhàn)。
何解？
針對這個問題，雷鋒網(wǎng)同時采訪了六位學術界、工業(yè)界領頭人，得到的答案比較一致：從目前的研究進展來看，“聯(lián)邦學習”技術可能是解決以上問題的最佳選擇。
聯(lián)邦學習的概念最初由谷歌在2016年提出，在中國，香港科技大學講席教授、微眾銀行首席人工智能官（CAIO）楊強教授算是聯(lián)邦學習研究第一人。之后包括微眾銀行、騰訊、平安科技、華為、京東等在內(nèi)的國內(nèi)企業(yè)和機構推動聯(lián)邦學習進入了學術研究與行業(yè)落地新階段。
聯(lián)邦學習之所以能夠在如此短的時間里迅速由一個構想變?yōu)橐婚T學科，主要因為它可以讓參與各方在不披露底層數(shù)據(jù)的前提下共建模型，之后利用整個數(shù)據(jù)聯(lián)邦內(nèi)的數(shù)據(jù)資源，提高每個成員的模型表現(xiàn)。
通俗來說，深度學習時代，每個AI企業(yè)的技術能力是單打獨斗式的；而聯(lián)邦學習的出現(xiàn)，更為緊密、安全地將各個AI企業(yè)聯(lián)系在了一起，聯(lián)邦中的每個成員都可以用最快的速度提升自身能力的同時汲取別人的長處，最終獲得共同成長。
譬如A廠商有校園數(shù)據(jù)、B廠商有工廠數(shù)據(jù)、C廠商有社區(qū)數(shù)據(jù)，且這三家廠商都使用了聯(lián)邦學習技術。
從業(yè)務層面出發(fā)，A、B、C這三家廠商便直接獲得了兩種能力：1、最快速地優(yōu)化自身業(yè)務；2、最快速地拓展新業(yè)務。
最快速地優(yōu)化自身業(yè)務表現(xiàn)在，平臺每天會有若干個類似A廠商的企業(yè)向平臺輸入加密后的數(shù)據(jù)模型，而這些數(shù)據(jù)模型中有A廠商非常缺乏的其他數(shù)據(jù)信息，而A廠商便可根據(jù)這些數(shù)據(jù)去更新自己的算法模型。
最快速地拓展新業(yè)務表現(xiàn)在，A、B、C每家廠商都有各自構建好的模型，通過匯總?cè)サ玫礁蟮臄?shù)據(jù)模型，在不流通數(shù)據(jù)的情況下得到數(shù)據(jù)流通的最好效果，通過資源互補可以在最短時間內(nèi)安全地獲得對方的能力，去拓展新業(yè)務。
從隱私保護層面來看，通常智能攝像頭產(chǎn)生的數(shù)據(jù)會被上傳到后臺服務器中，然后由部署在服務器上的神經(jīng)網(wǎng)絡模型根據(jù)收集到的大量數(shù)據(jù)進行訓練得到一個模型，服務商根據(jù)這個模型來為用戶提供服務。
這是一種集中式的模型訓練方法，這種方式很難保證數(shù)據(jù)隱私安全。
而聯(lián)邦學習就不再是讓數(shù)據(jù)發(fā)送到后臺，而是在每個企業(yè)自己的服務器上進行訓練，并加密上傳訓練模型，后臺會綜合成千上萬的用戶模型后再反饋給用戶改進方案。
相較傳統(tǒng)學習模式，聯(lián)邦學習的優(yōu)點是顯而易見的：
1、在聯(lián)邦學習的框架下，各參與者地位對等，能夠?qū)崿F(xiàn)公平合作；
2、數(shù)據(jù)保留在本地，避免數(shù)據(jù)泄露，滿足用戶隱私保護和數(shù)據(jù)安全的需求；
3、能夠保證參與各方在保持獨立性的情況下，進行信息與模型參數(shù)的加密交換，并同時獲得成長；
4、建模效果與傳統(tǒng)深度學習算法建模效果相差不大；
5、聯(lián)邦學習是一個「閉環(huán)」的學習機制，模型效果取決于數(shù)據(jù)提供方的貢獻。
在傳統(tǒng)的方法下，用戶只是人工智能的旁觀者——使用，但沒有參與；而在聯(lián)邦學習場景下，每個人都是“馴龍高手”，每個人都是人工智能發(fā)展的參與者。
值得一提的是，目前聯(lián)邦學習已經(jīng)從概念走進商業(yè)世界，而且誕生了一系列基于行業(yè)場景的新平臺、新應用。
今年9月，微眾銀行與極視角聯(lián)手打造了中國首個視覺聯(lián)邦學習系統(tǒng)。
以視頻攝像頭中的火焰識別為例，AI工程師們可能千辛萬苦訓練了一個火焰檢測的識別模型，想要用在監(jiān)控攝像頭中，識別是否有燃燒現(xiàn)象，從而對火災發(fā)生的可能性進行分析，實現(xiàn)火災預警。
原有的AI算法可以比較準確地識別有明顯大面積燃燒和明火發(fā)生的常見場景。然而，遇到打火機點出的火焰時，攝像頭就有些“懵”了。
如果想讓模型增強識別能力，傳統(tǒng)的AI訓練要求適用方能夠提供一些數(shù)據(jù)樣本，而這又出現(xiàn)了因網(wǎng)絡帶寬導致的算法準確率不高及數(shù)據(jù)隱私等問題。
種種難題前，極視角與微眾銀行合作，利用聯(lián)邦學習技術打造了一個計算機視覺模型的“超級市場”。
圖片來源：fedai.org
在聯(lián)邦視覺系統(tǒng)中，依托本地建模，在保證各方數(shù)據(jù)不出本地的情況下，即可提升AI算法準確率。
在一次公開分享中，微眾銀行AI部門副總經(jīng)理陳天健透露，“在‘聯(lián)邦視覺系統(tǒng)’項目中，通過聯(lián)邦學習技術，整體模型的性能提升了15%，且模型效果無損失，極大地提升了建模效率?！?/p>
安防行業(yè)歷經(jīng)兩次跨越，從最開始的通用級產(chǎn)品到解決方案，再到內(nèi)容分析前置，接下來則是平臺運營。
未來，安防行業(yè)背后是兆億級別且呈幾何式增長的巨大流量入口。
IoT時代，數(shù)據(jù)處理并非孤島式，未來智慧城市中的每個人、每個攝像頭都是可感知的，而聯(lián)邦學習可以發(fā)揮“群體智能”的力量，進而升級和變革行業(yè)。
優(yōu)化、互補、安全、高效，毫不夸張地說，聯(lián)邦學習無疑是目前業(yè)界出現(xiàn)的最有可能推動AI普惠的技術路線。
它也是AI行業(yè)從B2C到C2B模式的一個變革起點，它的成熟發(fā)展可以讓更多人更低門檻地參與到AI社會的構建。
同時，安防領域的應用還只是聯(lián)邦學習賦能的冰山一角，未來包括金融、零售、醫(yī)療、政務、工業(yè)等各行各業(yè)、各個場景都可以依據(jù)此技術實現(xiàn)降本增效、開源節(jié)流。
未來，聯(lián)邦學習必須生態(tài)化。聯(lián)邦學習的精髓在于互補、在于合作、在于生態(tài)。聯(lián)邦學習正如一個操作系統(tǒng)，一家企業(yè)是玩不轉(zhuǎn)的，唯有各方共同參與，才有機會落地生花。
和羹之美，在于合異；上下之益，在能相濟。
聯(lián)邦學習全面賦能之路還很遙遠， 而這些已經(jīng)落地的“種子”，正在一粒粒萌芽、破土，被人們所肯定。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
