百融云创机器学习平台建设日臻完善 助力金融AI应用普惠化

　随着机器学习(ML)技术的深入发展，AI在金融、教育、医疗等领域的应用也渐趋多元。然而，机器学习技术在落地过程中普遍面临搭建计算框架投入大、算法和模型调优门槛高、人才缺口大等难题，对一般企业来说，AI仍是难以触及的技术。为了降低应用机器学习解决实际问题的门槛，机器学习平台应运而生。

　　据国际权威研究机构IDC报告显示，机器学习开发平台是AI产业化发展的重要基础，具有巨大市场发展空间与潜力。过去两年应用机器学习给中国AI市场带来的投入规模达百亿，预计2018-2023年间商业化机器学习开发平台的复合增长率将高达62%。

　　作为国内人工智能驱动金融业务升级的领航者，百融云创自2018年成立人工智能金融实验室以来，不断完善机器学习平台建设，基于风控场景率先在业内推出基于自动机器学习(AutoML)技术的智能模型训练平台“计算未来AutoML”。与此同时，在数据和信息安全备受重视的形势下，百融人工智能金融实验室团队还积极探索联邦机器学习(FML)技术，通过去中心化协作的方式，为金融机构转型升级提供全新的发展思路。

　　AutoML助力轻松搭建智能风控体系

　　当前，传统金融机构和互联网消费金融公司的风控环节中，普遍存在信息不对称、成本高、时效性差、效率低等问题，传统的风控手段已经难以满足个人消费旺盛引发的信贷增长，和长久以来被传统金融机构忽视的长尾用户的贷款需求。而这些机构在升级智能风控的过程中普遍面临着AI技术门槛高、风控专家稀缺、风控模型迭代慢、大数据算力不足等痛点。

　　随着Auto ML技术的日益兴起与完善，百融人工智能金融实验室将其应用到风控建模中，自主研发了智能模型训练平台“计算未来AutoML”，可以帮助金融机构在没有任何模型训练经验的条件下，快速、高效地完成风控模型训练与智能风控体系搭建。

　　据悉，“计算未来AutoML”实现建模工作自动化，降低建模工作的门槛，提高模型开发和部署效率，并预制了针对多种客群类型与业务阶段的专家方案，可开发多类型风控模型，有效实现用户深度经营与网格化精细管理，根据金融机构的实际需求与业务开展情况，持续提供客制化⻛控解决方案。

　　传统的AI模型训练往往要经历特征分析、模型选择、调参、评估等步骤，这些步骤需要经历数月的时间，如果完全没经验，时间会更长。通过运用AI行业当下最前沿的AutoML技术，百融云创有效突破“模型优化瓶颈”，实时计算超体量数据，完美支持特征⼯程与机器学习模型的线上服务，为⼈⼯智能装上“F1方程式引擎”，⾼效服务千万量级客户。

　　联邦学习构建智能金融时代信任基石

　　随着各界对金融消费者个人隐私保护的日益重视，数据和信息安全已经成为智能金融时代重要的信任基石。而联邦学习技术的出现将为解决数据隐私与数据共享的矛盾提供有效方案。这是一种加密的分布式机器学习技术，可实现各个企业自有数据不出本地，通过加密机制下的参数交换方式，在不违反数据法规隐私的情况下，建立一个虚拟的共有模型，最终通过联合建模提升模型的效果。

　　百融人工智能金融实验室相关算法负责人介绍，运用联邦机器学习，一方面可以实现数据隔离，参与各方的数据不会泄露到外部，满足用户隐私保护和数据安全的需求;另一方面，通过联邦学习能够保证模型质量无损，不会出现负迁移，保证联邦模型比割裂的独立模型效果好。此外，重要的一点是各参与者地位对等，能够实现公平合作，实现打通“数据孤岛”到“共同富裕”的目标。

　　在应用场景层面，联邦学习主要有横向联邦学习、众向联邦学习、联邦迁移学习三种。以众向联邦学习来说，其特点是样本ID重叠较多、样本特征重叠较少，通过联邦学习可以实现双方获利，即无标签一方可以使用联邦模型预测，有标签一方提升模型准确度。比如银行和互联网公司的合作，银行有用户银行卡的收支行为与贷款信息，而电商企业掌握用户的商品浏览与购买历史信息，通过联邦学习双方可以在风控管理、信用评估、精准营销等领域实现合作。

　　据悉，从去年9月开始投入研发到现在，百融人工智能金融实验室已经完成联邦学习系统的基本开发。下一步将继续丰富上层功能运用和底层协议改造，完善整体机器学习平台即“百小渔”(授人以鱼不如授人以渔，百融自动化机器学习平台)的建设，将自动机器学习、联邦学习全部嵌到里面去。

　　上述负责人表示，同样是做机器学习平台，相比BAT互联网大厂，百融云创机器学习将触达金融行业内部的特征，使整个框架更贴合金融属性，更适合于金融场景，助力金融AI应用普惠化。