“跑马圈数据”时代，12位产学研专家眼中数据要素与数字金融的“真相”( 三 ) 本周

很多研究陷入了停顿状态， AI应用是一个广大的系统，攻击者能以任意方式攻击。在实际应用当中，即便这部分防住了，其他地方依然有很多的缺口。而AI相关理论目前尚未辨析清楚，如果用于引申的AI应用当中，其实际指导作用十分有限。
为此，从传统IT安全角度出发，从商业逻辑和可行性出发，讨论隐私安全是一种矛与盾的理论，要加强对攻击者的研究。
论坛的下半场则关注数据要素与数字金融。国家金融与发展实验室副主任曾刚，从金融机构数字化的角度切入，指出需要组织架构和数字化基础架构的调整、创新；数据资产化能力和数据治理、数据营销和运营能力、数字化风控能力，只有少部分金融机构做到了。
以前是实现商流，物流，资金流三流合一，这个是打造闭环模式重要的理念。但是现在这个闭环模式意味着对数据的垄断，所以要打破。
最后他强调，数字化的本身并不是技术多高、计算能力多强、准确率多高等，从传统金融机构角度来讲，核心是服务客户的需求。因此数字化并不是一味追求数据领先性，而是适应性，适宜性，寻找最合适的技术。
清华大学国强教授、智能产业研究院首席研究员聂再清，也提出了两个具有挑战意义的问题：
一是模态数据。如何联系不同模块来提升AI的认知能力，使其综合应对实际应用的水平提升，应用好各模态间的信息？
二是多模态应用，训练成本颇高。如何提升人机协作的效率，更多利用AI来低成本生产高质量的知识和训练数据？
那么，在可信AI原则下，如何发挥私有数据的价值？他指出，要这些原始数据利用机器学习变成知识；通过经济方式共享、联邦的方式，看到“私有财产”数据的价值，得到应有的经济回报。
建信金融科技创新实验室总经理王雪，分享了建设银行和建信金科在数据和隐私监管趋严的前提下，对解决路径的思考：
一，所需要的隐私计算平台本身的功能，一定是和场景、需求强绑定的。其开发过程需要由长激动不断调整和验证。
二，在此过程中，场景和生态要有相互促进，场景和运营能力的不断提升对平台起到反哺和教学的作用。
三，核心思想仍然是通过隐私计算能力实现数据价值最大化。
王雪也结合了数易联平台的建设，介绍了建行对该平台的规划细节。她表示联邦学习也在集团内部有所应用，用于产品营销、政务数据的融合与挖掘等。
星云Clustar的CEO陈沫也透露，他们已与建行合作搭建了一个联邦学习的联合建模平台。
光大信托信息技术部副总经理、数据中心总经理祝世虎就指出，很多中小银行在金融科技上落入后发劣势，后浪可能仅学习前浪表面容易实现的部分；而前浪也容易陷入一套模型对所有业务、建模套路化的陷阱，模型容易失去准入效果。
他预测，未来金融科技发展会有六大方向：
深度学习算法将会被广泛采用，随着数据的进步，深度学习算法才会充分发挥活力；
多模态数据、非金融数据会广泛使用；
网络发展解决了反欺诈的问题，图谱能够识别新型欺诈，多维图谱的不断丰富会成为银行的第二数据源；
联邦学习会大规模落地；
算法的可解释性将会被逐步重视，近两年都集中在特征重要性的排序上。不过也不要一味追求可解释性，智能的本质是利用算法和数据，抓住那些被埋没的不可解释信息出来。
自动化的监控平台将会逐步的升级为模型风险管理平台。
雷锋网雷锋网雷锋网