全球企业加码数据安全，正是智能时代的“基座”

（原标题：全球企业加码数据安全，正是智能时代的“基座”）

数据,是人工智能技术的三大基础之一。而数据安全,或将成为智能时代更快到来的“铁轨”与“基座”。

随着信息技术和人类生产生活交汇融合,各类数据迅猛增长、海量聚集,对经济发展、人民生活都产生了重大而深刻的影响。而数据在收集、存储、共享的过程中同时面临收益与风险。

如何确保数据安全,并做到“可用不可见”,至此隐私计算技术应运而生。

资料来源:国家工业信息安全发展研究中心发布《中国隐私计算产业发展报告(2020~2021)》

越来越多的企业正把目光投向隐私计算领域,隐私计算技术也已在不同场景中落地。

国外隐私计算代表案例:

谷歌 ——Password Checkup保护数据安全共享

2019年2月,谷歌推出密码检查器Password Checkup,一个Chrome扩展程序,帮助用户检测他们在网站上输入的用户名和密码是否已被盗用。

Password Checkup依赖于隐私集合交集(PSI)的加密协议,协议收集超过“40亿个”的已知不安全或已外泄的账号和密码,在Chrome 用户安装这功能后,一旦用户登录某个网站时,Google 便会主动侦测帐户密码是否在外泄名单中。

Password Checkup程序体积小巧,功能简单,但背后却对大量数据进行高安全等级处理。本地加密、密文数据对比等可以说是隐私计算基本概念的教科书式展现,也令其成为数据安全共享的典型科普案例。

苹果——iOS10引入差分隐私技术保护用户数据

移动互联网时代,手机承载一个人所有的秘密。

早在2013年一位当时就读于美国西北大学的研究生,结合搜索引擎与纽约城市出租车和豪华轿车委员会对外公布的一份2013年全市的出租车行程数据,便锁定几位明星的行踪。

但要如何抵御对于个体用户隐私数据的“精确计算”,而又能提高数据共享和使用的效率?

苹果公司在当时推出的iOS 10系统中,用差分隐私收集法做出回答。

差分隐私的原理是用算法加扰个人用户数据,使追踪技术无法实现回溯。随后在无法获得原始数据的情况下对数据批量计算,输出计算结果。

在获得机器学习所需的数据资源的同时,实现用户隐私数据的保护。

目前国外,谷歌、苹果、facebook等企业都在进一步加强对数据安全的保护力度。

国内也有翼方健数、微众银行、蚂蚁金服、华控清交这“隐私计算四小龙”领跑行业,呈现出四超多强的局面。

国内隐私计算企业一览图:

资料来源:微众银行&毕马威发布《2021隐私计算行业研究报告》

国内隐私计算代表案例(以隐私计算四小龙为例):

翼方健数——厦门市城市级健康医疗大数据开放平台

在医疗资源总量不足,优质资源匮乏,分布也不够合理的大环境下,分级诊疗成为重要的解决方案。

如何将三甲医院医生积累的丰富临床经验转化为智能化的知识输出,并辅助诊断?医疗AI也许是很好的解决方案。

但囿于对数据安全、医学伦理和个人隐私方面的担心,数据的获取、治理以及合理应用仍是医疗AI行业的难题。

翼方健数基于隐私安全计算技术平台“翼数坊”(XDP),在厦门市卫健委的主导下,汇聚厦门市各医疗机构的健康医疗数据,引入第三方服务机构来处理和挖掘原始数据,提供应用服务。

“翼数坊”首先在厦门全市基层社区医院儿科诊疗过程中落地应用,通过学习海量的儿科电子病历,开发病例结构化、辅助诊断、辅助用药,辅助检查推荐等一系列深度学习模型,通过打通智能模型、电子病历EMR与其他信息系统,形成一套智能临床辅助决策和知识库体系。

翼方健数CEO罗震认为,未来,技术甚至支持多个隐私安全计算平台作为分布式网络进行交互。完成数据探查、数据价值输出到数据价值流通,数据价值高地将会真正出现,形成一个“数据和计算的互联网”(IoDC)。

微众银行——联合多家外部合作伙伴建立小微企业信贷风控模型

近年来,虽说小微贷款越来越受重视,但由于风险过高,许多银行不愿给小微企业贷款,因此如何规避风险,降低微型企业贷款的不良率显得尤为重要。

微众银行联合多家外部合作伙伴一起搭建基于联邦学习的风控模型,以解决小微企业贷款风控数据不足的问题。

在报告中,通过以微众银行和发票信息服务公司的合作案例,验证微众银行“基于开源的联邦学习系统FATE进行纵向联邦建模,多个机构可以建构联合模型而无需共享其数据”模式的有效性和安全性。

与只使用传统模型来训练标签Y相比,联合发票数据的纵向逻辑回归AUC增加12%,随着模型效果的改善,贷款不良率明显下降。

蚂蚁金服——蚂蚁链摩斯多方安全计算平台

金融企业应用场景各方都有各方的数据系统,并不互用,而且互用方式对隐私信息的保护也需要单独投入研发,蚂蚁链服务可解决这一难题。在金融场景下,蚂蚁链可以解决单一机构数据不足,第三方合规数据不易获取的困难。

蚂蚁链摩斯多方安全计算平台采用去中心分布式架构,数据合作各方通过本地安装的摩斯计算节点完成安全计算,保证原始数据不出域,仅输出计算结果。

并可将查询调用记录存证在区块链上,防止数据造假,保障数据质量。

例如与富民银行联合风控,富民银行利用摩斯安全计算平台,和合作方实现多方联合风控,在保证数据安全的同时,实现模型预测效能提升25%。有效降低业务风险和不良资产率。

华控清交——PrivPy多方计算平台助力金融机构

金融业作为经营风险的行业,在业务数据化驱动与合规经营的内外部环境要求下,其数据安全共享与融合应用的需求愈加迫切。

金融机构面向个人投资者销售资管产品时,需要严格确认投资者当前持有的金融资产总额或年收入总额等,以核实其是否具有投资资格。

面对上述问题,华控清交在中国互联网金融协会指导下,使用多方安全计算技术,实现了在保护申请者数据隐私的前提下,融合各机构客户金融资产、收入流水等数据,自动计算投资者的金融资产或收入状况信息,实现高效合规的个人合格投资者认证,同时全流程可验证、可追溯、可解释、可审计、可监管。

在大数据与人工智能时代背景下,AI与数据计算在各行各业应用越广泛,数据价值就愈加凸显。

隐私计算看似是个全新的概念,其实是个世界级的话题。隐私计算最早源于人工智能的兴起,直到今天随着数据的价值日益彰显。

近年来,资本市场对该领域的关注度愈渐火热,2020年-2021年隐私计算赛道融资事件也呈现几何式增长状态。2021年7月底,隐私计算领域技术专精型公司中已披露的最大规模单笔融资由国内“隐私计算四小龙”之一的翼方健数宣布完成,总金额超过3亿元人民币。隐私计算企业获得来自资本的认可,无疑也肯定了隐私计算将在未来发挥巨大的潜力。