首页 > 资讯

隐私计算赋能金融:全面爆发还有距离,更多金融场景待解锁

资讯 温泉,姚丽等 零壹财经 2021-11-03 阅读:8065

关键词:隐私计算金融风控金融科技隐私计算应用

金融,隐私计算应用落地首选领域。


前言:近日,零壹财经推出国内首个系统研究隐私计算在金融领域应用的报告《开启新纪元:隐私计算在金融领域应用发展报告(2021)》 (点击查看完整版报告),从隐私计算落地最为密集的金融业开始,展示隐私计算发展中真实而鲜活的产业生态,让产业实践者们被看见、被发现。本报告研究机构为零壹财经·零壹智库,联合发布单位为中国科技体制改革研究会数字经济发展研究小组、深圳市信用促进会、横琴数链数字金融研究院,同时得到了同盾科技、星云clustar、瑞莱智慧金智塔科技和天冕科技的研究支持。

2021年,隐私计算开始在真实的商业世界中全面落地。金融领域,是当下隐私计算技术应用落地最为活跃的领域。
 
究其原因,是因为近年来金融科技的发展对金融业的发展形成了实质性影响,为隐私计算技术的落地打下了良好的基础。
 
近十年来,通过应用云计算、大数据、人工智能、区块链技术,面向个人和小微企业的零售金融正逐渐成长为商业银行的主流业务,同时金融业的基础设施经历了更为深刻的数字化、智能化升级换代。
 
在此基础之上,应用隐私计算技术,能够迅速为金融机构带来效益的提升。这也使得金融机构有动力投入更多的预算来应用隐私计算技术。也是由于预算充足,金融领域成为大多数隐私计算技术应用落地的首选领域。
 
目前,金融领域是在早期Fintech1.0时代的金融电子化及Fintech2.0时代的互联网金融的落地实施后,金融科技逐步步入Fintech3.0时代。Fintech3.0时代将以传统金融科技化为核心方向,而Fintech3.0的重要特征就是智能金融,数字化、智能化、开放化将是其核心要素。因此,数据资产将是智能金融建设的核心支柱。未来,如何充分实现数据价值挖掘释放、避免出现数据鸿沟及信息孤岛、完善数据应用的隐私保护,将是智能金融的重要议题,隐私计算将是实现上述目标的重要技术支撑。
 
(一)隐私计算在金融领域应用的开端
 
在中国,金融领域对隐私计算的应用,最早是从以蚂蚁集团微众银行为代表的一批金融科技领域的先行者开始的。
 
最早是2016年,从蚂蚁集团开始。根据公开资料[ 《蚂蚁金服共享智能实践》,来源于知乎号“蚂蚁共享智能”,https://zhuanlan.zhihu.com/p/146954520。原文首发于期刊《中国计算机学会通讯》(CCCF)2020年第5期。],为了更好地应对形势的变化,解决数据共享的需求与隐私泄露和数据滥用之间的矛盾,蚂蚁集团2016年提出了希望通过技术手段,在多方参与且各数据提供方与平台方互不信任的场景下,能够聚合多方信息进行数据分析和机器学习,并确保各参与方的隐私不被泄漏,数据不被滥用,蚂蚁集团当时称之为“共享智能”。
 
蚂蚁集团最初在可信执行环境(TEE)和多方安全计算(MPC)两个方向进行探索。在实践中,蚂蚁集团逐渐发现,不同技术都有各自的优势,同时在业务发展的不同阶段用户对隐私保护的需求是不同的。把不同的技术融合到一起,发挥各自技术的优势,往往会达到一个更为理想的效果。因此,在实际的应用中,基于用户的需求,蚂蚁集团逐渐尝试灵活应用多种技术提升实际应用效果。
 
此后,在不同的应用场景中都逐渐出现对隐私计算的需求和思考。
 
区块链技术的探索和应用,也引发了对隐私计算的需求和思考。2017年7月31日,深圳前海微众银行股份有限公司、上海万向区块链股份公司、矩阵元技术(深圳)有限公司联合宣布,将区块链底层平台BCOS(取Be Credible, Open & Secure涵义命名)完全开源,致力于打造一个深度互信的多方合作共同体,进一步推动分布式商业生态系统的形成。之后,三家都在这个联盟链技术的基础上做了大量应用,在生产环境中不断验证区块链应用。
 
万向区块链董事长肖风曾在公开演讲中介绍,BCOS开源之后,其对隐私计算也日渐关注。因为区块链除了性能、安全性、互操作性、易用性等技术尚未成熟之外,另外一个十分重要的课题就是:区块链应该带来的是隐私保护之下的数据共享。因此, 2017年开始,万向便着手准备隐私计算方面的工作。[《万向肖风:隐私计算是世界级的话题》,2018年12月5日,来源于矩阵元官方微信公众号。]
 
与此同时,2018年微众银行人工智能团队也开始关注到隐私计算技术。 [ 《对金融领域而言,联邦学习的实际价值是如何体现的?》,来源于InfoQ访谈,载于FATE开源社区微信公众号。]2018年,在业务实践和行业观察中,微众银行人工智能团队发现训练AI所需要的大数据实际上很难获得,数据的控制权分散在不同机构、不同部门,“数据孤岛”问题严重,加之政策法规对数据隐私和数据安全的要求让数据共享和合作更加困难。
 
针对实际的业务痛点,他们发现联邦学习是一种行之有效的解决方案,并开始进行研究和探索。从2018年到2019年初,微众银行发表了多篇联邦学习相关论文,对于联邦学习的概念、分类、基本原理等基础理论进行系统性研究。同时,2018年起,微众银行人工智能团队基于联邦学习理论研究进行相关开源软件研发。经过探索,微众银行搭建起了理论研究、工具软件、技术标准、行业应用的多层级联邦学习生态框架,并且开始有腾讯、华为京东、平安等生态合作伙伴加入。
 
2019年初,微众银行正式开源全球首个工业级联邦学习框架FATE(Federated Learning Enabler),并开始尝试将联邦学习应用于金融业务中。FATE的开源,使得联邦学习的应用门槛大幅降低。2020年初,针对金融应用中联合风控、匿踪查询等业务需求,微众银行进一步给出了场景式隐私保护解决方案WeDPR,并基于WeDPR在2021年5月发布多方大数据隐私计算平台WeDPR-PPC。WeDPR方案组合了多种隐私保护策略,融合安全多方计算、同态加密、零知识证明、选择性披露等算法,满足多变业务流程。
 
(二)创业公司涌现
 
在金融科技巨头进行隐私计算探索之时,隐私计算创业公司也开始涌现。
 
2017年至2019年间,最早进入隐私计算领域的创业公司有矩阵元、翼方健数、零知识科技、华控清交富数科技、同盾科技、星云Clustar、天冕科技、零知识科技、数牍科技、融数联智锘崴科技等公司。2020年之后,隐私计算领域创业公司数量越来越多,洞见科技、光之树、蓝象智联冲量在线等越来越多的创业公司涌现。(注:以上公司按照进入隐私计算领域时间先后顺序排名)
 
表:进入隐私计算领域的创业公司情况
数据来源:零壹智库
 
这些创业公司背景各异,但都是基于各自的业务看到了市场需求,或者凭借所掌握的技术进入了隐私计算领域。
 
(三)隐私计算落地金融机构
 
2021年,隐私计算技术开始在金融机构落地。
 
1、工商银行 [ 《联邦学习在工行的实践》,https://www.163.com/dy/article/GC04ACG4055219FH.html。]
 
据零壹智库调研了解,工商银行已经开始探索联邦学习技术在金融业务中的应用。
 
目前,在联邦学习方面,工商银行主要在推进以下三方面的工作:
 
第一,构建联邦学习技术能力。首先,通过引进成熟产品、完成工商银行联邦学习技术平台的建设。适配工商银行PaaS 平台,并与行内现有模型运营、监控管理组件融合。同时,引入FATE开源技术,并加入FATE TSC,打造联邦学习场景建设专业团队。
 
第二,试点联邦学习业务场景。目前,主要是在数据和模型驱动力强、有对外合作需求的信贷、风控等关键业务领域上,逐步试点联邦学习技术在业务场景上的实践应用。
 
第三,推进联邦学习生态建设。主要是联合制定金融业联邦学习标准,推进建立联邦学习对外合作的常态化机制和联合场景合作建设模式。
 
目前,工商银行的联邦学习已应用于多个场景。比如引入北京金控的不动产数据,与行内贷款企业的时点贷款余额、注册资本、账户余额等数据联合建立企业贷中预警监测模型,此联邦模型提升准召率约4%,从而提升了工商银行风险监测业务能力。另外,工商银行也通过联邦学习与互联网公司的客户特征数据完成了联合建模,并将信用卡申请反欺诈模型的K-S值提升了25.1%。此外,工商银行还基于联邦学习在保险营销场景中的应用打造相应的联邦建模方案,通过验证联邦迁移技术挖掘集团的潜在客户实现集团客户向子公司的导流。
 
图:工商银行北京分行探索应用联邦学习技术案例
资料来源:工商银行
 
未来,工商银行在探索联邦学习应用方面有两方面的计划:
 
第一,进行开源技术研究。工商银行计划在行内搭建FATE平台,验证开源技术对亿级数据的支持能力。同时,利用开源FATE平台推进行内实际业务建模场景的测试验证,对其核心算法分别从论文、源码进行分析,完成推进图联邦相关场景的验证落地。
 
第二,计划将联邦学习技术应用于更多的场景。
 
首先,是智能风控场景。引入政务、运营商、企业等多数据源,共同完成风控数据分析、风控模型训练和风险决策的任务,以节约信贷审核成本,提升信贷风控能力。
 
其次,是智能营销场景。融合集团内子公司之间、以及行外数据,在“获客-促活-留存-转化-挽留”等核心运营环节实现多维度精准获客、数据化画像分析。
 
再次,是反洗钱场景。在不泄露各自样本的前提下,充分利用多家合作方的反洗钱样本,建立训练效果更好、更稳健的联邦反洗钱模型,降低罚款和声誉受损等业务风险。
 
 
2020年12月15日,上海富数科技有限公司与交通银行总行正式签署技术服务合同,富数科技将成为交通银行金融科技战略合作伙伴。双方将联手建设具有交行特色的多方安全计算系统平台、积极参与行业技术标准论证和修订,解决金融大数据内外融合协作中的隐私保护和数据安全问题,为普惠金融、数字金融等业务场景提供安全可控的联合建模、联合计算和联合查询统计。
 
 
到目前为止,零壹智库得知的招商银行在隐私计算方面的探索,主要集中在落地的产品上。
 
例如,2021年5月11日,招商银行深圳分行发布“深信贷”产品,这也是招商银行首个运用联邦学习技术的贷款产品。“深信贷”是深圳市场监督管理局和招商银行深圳分行专门面向小企业推出的融资产品,旨在运用信用信息促进解决小企业融资难、融资贵难题。企业只要符合“三有”条件,即“有诚信、有经验、有纳税”,就可以在招商银行官网、深圳信用网等线上渠道申请深信贷。这款产品的风险控制,是由招商银行深圳分行与深圳市公共信用中心对接系统和模型数据来做的,联邦学习技术可在招商银行深圳分行和深圳市公共信用中心部署子模型,无需各数据方披露底层数据即可进行联合运算。
 
 
2021年8月,光大银行成为国内金融业首个把企业级数据流通基础设施平台 — 多方安全计算平台投入生产使用的银行,积极探索数据安全流通与融合应用的新实践。
 
该平台由华控清交承建。基于隐匿查询、联合统计、联合建模等平台功能。光大银行多方安全计算平台可以有效推动集团内数据、行内数据、以及外部企业数据的安全融合,解决上述过程中明文数据获取困难、数据保护困难和数据使用合规困难等棘手问题。
 
应用方面,平台可以用于联合营销、联合风控、统一授信、业务合规等多领域,如帮助光大银行与合作机构开展多方数据安全联合建模,提升精准营销能力;在不暴露客户信息的情况下进行联合统计,开展客户综合管理;在保护银行查询意图和客户信息安全的情况下,向数据服务方查询数据,获得匹配结果等。
 
(四)隐私计算在金融营销领域应用
 
 在金融营销场景中,隐私计算技术主要被用来合规调用更多的金融机构外部数据,从而将内外部数据结合起来,做更精准的营销,提升转化率,这可以帮助金融机构大大节省获客成本。目前,实践中已经积累了不少案例。
 
1、星云Clustar在某大型股份制银行的营销项目案例
 
 某大型股份制银行在其个人信贷营销业务中,希望达到降低信贷风险的同时合理分配营销资源的目的,为客户提供精准信贷服务,并提高客户的产品体验。
 
星云Clustar依托海量安全可信的数据源为该行搭建了联邦学习模型,并根据该算法模型为客户评级打分,由此合理分配营销资源,使该行个人信贷业务的当月营销转化率达3.5倍以上,联邦模型AUC达到0.73,极大地提高了营销精准率和客户转化率。
 
2、天冕科技助力互金公司提升营销效果案例
 
在营销场景案例上,天冕科技助力某头部互金公司提升营销效果,因为其存在单独使用现存自有数据特征或者对方评分只能达到收支平衡,而且使用线下联合建模方式容易泄露用户数据的风险。在使用联邦学习方式进行联合建模之后,应用所得模型对已注册但未曾进件的老客户进行综合评分,对前10%评分高的用户营销后,模型KS提升11%,每期营销收入增加65万。
 
图:天冕科技助力某头部互金公司联合营销案例
资料来源:天冕科技、零壹智库
 
(五)隐私计算在风控领域应用
 
在金融风控场景中,基于同样的原理,由于可以应用隐私计算技术将金融机构内部和外部的数据联合起来进行价值挖掘,金融机构就可以更好地识别风险,从而提升风险控制的效果,降低风险、提升收益。
 
1、天冕科技与金融机构联合风控案例
 
目前,在用户侧,天冕科技已经与10多家金融机构建立了合作,合作的内容主要是联合数据提供方,在各方数据不出私域的情况下,进行联合风控建模和联合营销。
 
比如,在风控场景上,WeLab汇立集团采用线上联邦学习系统,筛选了多家数据征信公司相关性较高的特征,进行联合建模,建立一个泛化能力更强的模型,取得了更好的效果。KS提高5%,坏账有所下降。
 
图:天冕科技联合风控案例图
资料来源:天冕科技、零壹智库
 
在场景应用中,天冕科技的显著优势在于场景经验丰富。比如,在金融风控场景中,隐私计算技术的提供商首先需要让金融机构合作伙伴知道,哪些数据和算法对业务是最有用的。此外,在应用方面还有很多操作细节,比如在数据方面,不仅需要知道哪些类型的数据最有用,还需要知道哪些数据提供商的数据最好用,这些数据应该用在什么地方。这是需要用长时间的实践和教训才能换来的经验。丰富的场景经验,可以让合作伙伴将时间和资金投入最能提升业务效果的方向,从而真正让业务跑起来,见到实效。
 
2、瑞莱智慧应用隐私计算帮助银行提升反欺诈效果案例
 
(1)业务背景
 
近年来,基于机器学习的大数据反欺诈风控技术迅猛发展,大部分银行均构建了交易实时反欺诈系统,通过结合专家规则与机器学习模型来甄别欺诈交易与行为。但随着黑产行业的智能化与集团化,跨行业欺诈逐渐成为常态,单次欺诈行为贯穿社交媒体、银行多个环节,各机构基于自身数据无法应对,例如在社交欺诈场景中,社交企业掌握黑客针对用户的撒网、信任欺诈等行为的特征,银行侧掌握受害者向黑客转账以及后续资金转移等特征,但两方的特征数据均不足以对欺诈行为进行有效识别。
 
在此背景下,如何在有效保护数据隐私的前提下,帮助企业合法合规地利用内外部数据,丰富样本数据特征维度,构建更加精准的反欺诈风控模型,提升反欺诈能力,是当前各类银行机构亟待解决的问题。
 
(2)解决方案
 
为了应对以上痛点,瑞莱智慧提供了“数据+平台+模型”的一体化隐私计算解决方案,帮助银行安全合规的实现与外部机构的跨行业数据链接,基于金融特征、交易特征、行为特征和干系人特征等信息构建反欺诈模型,实现更精准有效的欺诈甄别。
 
 图:瑞莱智慧RealSecure平台银行部署解决方案图片
 
具体实施中,银行方通过部署RealSecure平台节点,快速接入包括运营商、设备、支付类数据等在内的多类外部数据源,极大的丰富了样本特征维度。同时通过纵向联邦的方式,基于行方准备的反欺诈样本数据,首先通过RealSecure的PSI功能(不同企业之间持有各自集合的两方来共同计算两个集合的交集运算,在协议交互的最后,一方或双方得到正确的交集数据,而不在交集里的一方数据,另一方无法得到任何信息,这样就保证了双方的数据安全)与外部数据源进行隐私求交,获取多方的交集客户信息,在银行客户三要素信息不出库的同时,完成银行与数据源之间的样本对齐。然后,运用RealSecure提供特征工程与模型训练模块,完成反欺诈模型训练与调优工作。
 
图:RealSecure平台纵向联邦示意图
(六)隐私计算在金融市场的推进节奏

报告认为,2021年,隐私计算虽然开始在真实商业场景中全面落地,但是,这距离隐私计算市场的全面爆发还有距离。根据零壹智库的调研,我们目前看到的原因有如下几个方面:

第一,是隐私计算技术自身的原因。

首先,性能的提升需要时间。

对隐私计算的大规模商业化应用来说,隐私计算性能的提升至关重要。因为它决定着隐私计算的数据处理效率,进而决定着隐私计算进入实际应用场景的可行性。

但是,性能的提升不是一蹴而就的。一方面,性能的提升需要大量的资金投入,对许多团队来说,需要兼顾商务落地与技术提升,即边赚钱、边研发,因此这将是一个根据实际需求的渐进的过程;另一方面,性能的提升也是由需求拉动的。隐私计算目前尚处于市场开拓初期,应用场景比较简单,处理数据量还不大,未来应用越来越多,需要处理的数据规模越来越大,对算力、性能的需求会更强。

其次,隐私计算的安全性要建立标准、赢得市场信任还需要时间。对于隐私计算的安全性,目前行业内缺乏统一的标准。目前,市场上已经出现一些不规范的操作,这有可能使得隐私计算在赢得信任方面走一些弯路。

再次,从业务效果来说,由于数据流通市场尚未成熟,所以数据的开放程度仍然有限,导致具体业务场景中可应用的数据资源也有限,这使得应用隐私计算技术为业务带来的提升效果目前还没法充分体现出来。

第二,是隐私计算产品价格与市场接受度的原因。

首先,目前隐私计算产品落地速度缓慢。虽然今年隐私计算平台开始规模化落地,但是总体来看尚处于初期,大多数厂商目前还处于一对一地为客户提供解决方案的阶段,产品还没达到可以大批量复制的程度。

其次,因为目前大多为一对一提供解决方案,所以隐私计算产品成本较高,这使得价格一时无法降下来。价格要降下来,需要产品达到可以标准化复制的程度才可以。

再次,隐私计算产品要被市场接受,需要经历一个市场教育的过程。零壹智库在调研中发现,不少金融机构的风控部门目前并没有意识到隐私计算能给业务带来多少提升。许多机构对隐私计算产品的采购,需要考虑其能带来的业务增量收益,要对比成本与收益。目前隐私计算的产品价格相对于收益来讲,对一些业务体量不大的机构还不太划算。因此,许多机构对是否采购隐私计算产品仍处于观望状态。

第三,从市场宏观环境来看,要分析隐私计算市场的发展,首先要看数据流通市场的发展,目前数据流通市场的发展尚未成熟。

目前,隐私计算厂商的收入主要是软件系统的销售收入,这只是隐私计算市场极小的一部分。未来,隐私计算更大的收入来源于数据的流通使用。因此,数据流通市场的成熟度,对隐私计算市场的发展至关重要。

(出品 | 零壹智库; 作者 | 温泉、姚丽、赵金龙、任万盛、陈丽姗、刘翌)
 
加关注 消息
文章:123 粉丝:17 总阅读数:1561.7k


零壹智库推出“金融毛细血管系列策划”,通过系列文章、系列视频、系列报告、系列研讨会和专著,系统呈现“金融毛细血管”的新状态、新功能、新价值、新定位。
 

上一篇>零壹日报:又一外资巨头进军中国证券业!字节跳动调整组织架构;银联云闪付首次加入天猫双11

下一篇>零壹日报:北交所正式发布2件基本业务规则及31件细则,15日起施行;微软计划明年初发布企业元宇宙


所属专题


相关文章


用户评论

游客

自律公约

所有评论

点击阅读更多内容

主编精选

more

专题推荐

more

第四届中国零售金融发展峰会(共15篇)


资讯排行

  • 48h
  • 7天



耗时 231ms