某头部汽车金融公司运用“知识联邦”树立行业创新标杆
2024-5-21 18:09
2021年，某头部汽车金融公司创新引入同盾科技自主可控、国际领先的“知识联邦解决方案”，构建基于联邦学习的智能风控安全防御体系，在安全合规的前提下，打破数据孤岛构建内外部互联互通的数据生态，实现统一、全面的风险决策监控体系，引领汽车金融行业的隐私计算创新应用。 后疫情时代，以数字经济为代表的科技创新要素成为催生新发展动能的核心驱动力，数字化、智能化正在成为包括金融、制造等各个行业转型升级的必经之路。在汽车金融行业技术变化周期与新经济的浪潮中，该公司顺势而为，不断强化新兴科技手段在业务中的应用，提升金融审批的效率和风控的水平，并以业务数据化、数据资产化和资产价值化为特征，形成了完整的业务价值链。 引入先进技术，强化科技赋能 这家汽车金融公司隶属某大型多元化集团企业。近年来，该公司所属集团业务发展进入全新的数字化经营模式，数字化转型进入“深水区”，一系列工业数字化领域的战略成果接连落地，并以核心技术装备为基础，以金融服务为纽带，以全球化进程为目标，通过大数据和智能分析能力建立具有竞争力的金融能力，推动自身向“制造+服务”的综合型集团企业转型。 在集团数字化转型的战略目标下，随着业务规模不断扩大，金融服务“去担保化”成为了当前阶段集团的核心需求，而风控数据在合规前提下的互联互通，则是“去担保化”的重要基础。但面对集团机构庞大、层级复杂，不同业务系统、业务场景纵横交错的IT系统，都会在一定程度上遇到数据标准不统一、数据互通难等应用局限，解决“数据孤岛”问题势在必行。 为此，该公司引入同盾科技自主研发的联邦学习解决方案，构建基于“知识联邦”技术创新要素的智能风控安全防御体系，以此将内、外部风控数据进行互联互通，完善覆盖贷前、贷中、贷后的信贷风险识别与管控能力，并充分发挥数字要素创造价值，最终实现数据生态的构建。 据了解，联邦学习（Federated Learning）是一种新兴的人工智能基础技术，最早由谷歌提出，能够在所有训练数据都保存在本地的情况下，通过联邦学习技术，得到模型。而知识联邦，由国内人工智能领军企业同盾科技自主研发，作为联邦学习的“升级版”，该技术可将散落在不同机构或个人的数据联合起来转换成有价值的知识，同时在联合过程中采用安全协议来保护数据隐私。 完整的知识联邦理论框架体系包含四个层级信息层、模型层、认知层和知识层。其中，信息层和模型层可以大致分别对应隐私计算当中的多方安全计算和联邦学习。联邦学习是将数据联合起来进行分析和推理，是较为初级的模式；而知识联邦，不光将数据联合起来，也将认知和知识联合起来，覆盖更多层、更深层次的智能抽象和累积，是目前国际领先的联邦学习前沿技术模式。 目前，该公司通过知识联邦技术体系进行了模型的全流程线上构建，在模型效果和实际调用的过程中，分数分布与建模样本分数分布吻合，模型表现效果良好，经过对单变量结合业务实际进行可解释性分析，结果符合实际的业务逻辑。 打造全新体系，树立行业标杆 该公司结合所属集团业务特点，基于知识联邦的全新技术体系，在探索过程中进行了大量的优化和创新： 一是打通数据授权链。通过联邦学习和多方安全计算技术，破除授权链不完整的状态，打破数据孤岛，实现内部数据的合法赋能； 二是实现敏捷部署。利用同盾科技丰富的业务经验，通过线上方式快速实现数据预处理、清洗、探查，并结合行业经验，在联邦样本对齐、建模、评估及部署的全过程仅用时30余天，即实现了“快速见效”； 三是探索中心化架构。基于中心化架构，满足集团对金融板块的关键信息的监控的同时，在实际使用中，能够满足公司的业务需求。 四是打造良性数据生态。该公司通过引入知识联邦技术将内外部进行串联，迈出了由“各自为战”向“命运共同体”转变的重要一步，即整个集团的数据资产可以为集团生态中的每一个成员所使用，助力生态群良性循环。 这家汽车金融公司基于知识联邦打造而成的智能风控体系，不仅支撑起金融业务对融资申请行为的评估和决策，还可以作为外部各金融主体顺应监管趋势强化信息安全的解决方案样板；同时，还满足了集团对下属子公司对数据安全使用的监控要求，通过隐私计算创新技术可以演变成设备物联网数据的生态网，实现集团内外数据的协调，进一步强化数据的生产要素特质并创造价值。项目的成功实践，为该公司开创数字化转型新局面、树立汽车金融行业隐私计算创新应用标杆迈出关键一步。
