听一下蚂蚁金服机器学习中台周俊谈如何降低数据共享难度

人工智能面临的重大挑战在于隐私与实用性之间的难以调和, 亦即数据隐私和个人信息保护与系统实用性之间难以取得平衡。若要使AI系统发挥效能, 便不得不放弃一部分个人隐私利益。然而, 在众多现实场景中, 即使无法实现两者兼顾也难免会遇到诸多AI落地障碍。

随着对数据安全的关注以及《隐私保护法案》的出台，《非规范性》的数据共享模式面临着挑战。目前多数数据拥有者正逐步回归到"数据孤岛"的状态。与此同时互联网企业同样面临着收集与运用用户个人隐私信息的困难 数据孤岛现象已逐渐成为常态。若要充分利用这些资源 就必须在保障隐私权益与维护信息安全的前提下 在多个组织间建立开放合作机制推动跨行业及跨领域间的高效协同工作。

为了解决这一问题，在国际上及国内的多家科技公司陆续推出了应对方案。其中 notable 的有谷歌推行的联邦学习体系以及蚂蚁金服提出的共享智能平台等创新举措。本篇文章将 focus 在 InfoQ 对蚂蚁金服机器学习算法中台负责人周俊的一次深度采访上，并深入探讨其在推动共享智能技术在金融领域实现数据的安全高效共享方面的具体实践与突破

共享智能与联邦学习的区别

在介绍技术实践之前，在花费一些时间去明确共享智能与联邦学习之间的区别之前，请确保您已经清楚了解本文的讨论范围。

目前而言，在数据共享领域面临隐私泄露与数据滥用问题的行业界应对策略主要包括两大类。其中一类是通过硬件可信