人工智能未来新方向——年轻人眼中的联邦学习

从2016年初次概念提出，到现在在各行业开端落地使用，从开源结构到国内国际标准连续拟定出台，能在确保数据隐私安全基础上，完结一起建模，提高AI模型的效果的“联邦学习”成为近两年来遭到各方注重的人工智能新方向。在联邦学习的生态建设中，有这样一群人值得注重，他们充溢立异与生机，具有好奇心与幻想力，为未来赋予无限幻想。

在8月26日刚闭幕的微众银行首届金融科技高校技能大赛上，来自北京大学及加州大学圣地亚哥分校的两位学子凭仗其根据联邦学习技能及工业级开源结构FATE完结的著作 “联邦微车险——根据横向联邦学习和5G技能的个性化车险定价计划”斩获冠军，为联邦学习探究更多使用场景供给了新思路。

冠军团队的两位成员章逸佳及杨林彬在承受采访时，共享了年轻一代关于联邦学习这一新方向的研讨与探究，以及更多关于FATE的希望与想象。

在极具远景的金融范畴发掘联邦学习新使用

在过往学习中，两位学子已开始触摸过联邦学习概念，而经过此次大赛中系统性触摸联邦学习，他们发现其在权益产品定价方面极具优势，由于联邦学习能维护数据隐私，一些之前定价时不能被考虑的要素能够被归入考虑，然后使定价更精准合理。

在进一步研讨金融相关服务后，两位学子确认了这一项目方向，据章逸佳讲：“5G和车联网年代到来，能带来许多的车辆和用户行为数据，作为车险定价的参阅。而根据联邦学习能够完结数据不出本地前提下联合建模的这一特性，项目思路顺势而生，意图是在车联网数据不出本地的情况下，完结多辆车之间的横向联邦建模，用建模成果对用户进行车险保费精准定价。”

首个可视化联邦学习开源结构为立异插上翅膀

优异的项目构思也需要好的东西与谨慎的精力加以完结，据悉，在竞赛过程中，两位学子使用了FATE结构进行多方的横向联邦建模。作为全球首个联邦学习的工业级开源结构，FATE供给了一个安全的核算结构以支撑联邦学习算法。它完结了根据同态加密和多方核算的安全核算协议，并支撑联邦学习架构与各种机器学习算法的安全核算，包含逻辑回归和梯度提高树等经典 ML 算法，也包含深度学习和搬迁学习等前沿研讨。

杨林彬表明，FATE的版别更新让人惊喜，如新发布的FATE 1.0中standalone有一个docker装置版别，为布置全体结构节省了许多时刻。此外，新增的FATEFLOW和FATEBOARD这两大组件。FATEFLOW把联邦建模流程进行打包，FATEBOARD把建模可视化，也进一步提高了全体建模的流通度及体会。等待下一次FATE版别迭代带来的更佳体会。

面向未来的新技能，联邦学习及FATE未来可期

作为微众银行首届金融科技高校技能大赛的冠军团队，两位学子对联邦学习及FATE有许多设想，他们信任在数据隐私维护趋严、数据安全越来越被注重的今日，联邦学习会发挥日益重要的效果，而FATE结构言语则还能够完结更多模型，支撑更丰厚的算法，然后使用在不同的场景中。

在采访的最终，章逸佳说到，联邦学习能够完结数据不出本地前提下的联合建模，有用维护用户的隐私和数据安全；而FATE则正好为我们供给了一个进行联邦学习的渠道。当数据量持续添加、人们对数据安全愈加注重，信任在未来两者会相得益彰，给开发者带来更多便当。

能够预见，在今后会有越来越多以高校学子为代表的年轻一代投入联邦学习研讨及FATE开源项目中。大会颁奖嘉宾、微众银行首席人工智能官杨强教授表明：一个有生机的开源生态离不开有志趣的青年人的奉献，一个极具未来远景的前研技能才干遭到高校喜爱。等待越来越多的高校学子及企业组织深耕联邦学习技能，完结数据安全合规下的人工智能使用落地。