近日，公安机关会同北京网络行业协会、公安部第三研究所等单位发布了《互联网个人信息安全保护指南》，这是公安部首个现行有效且专门针对个人信息保护的文件，明确了在个人信息收集、保存、应用等方面都应更加公开透明，获得个人信息主体的同意和授权。
事实上不仅国内，随着新技术的发展，全球范围内对个人信息安全、数据隐私的保护越来越重视。此前，欧盟出台了首个关于数据隐私保护的法案《通用数据保护条例》(GDPR)。
在这种大趋势下，对企业而言无疑是巨大的挑战，如果没有权限获得更多数据，如何利用有限的数据创造价值?如何进行更大范围内的协作?另一方面，如果数据隐私保护是企业需要解决的难题，能不能用技术的手段解决?
李开复在《时代》峰会上也提到，“人们不应该只将人工智能带来的隐私问题视为一个监管问题，可尝试用‘以子之矛攻己之盾’——用更好的技术解决技术带来的挑战。”并指出联邦学习等技术或许可以解决数据隐私保护的问题。
这里提到的“联邦学习”（Federated Learning）是一种新的技术解决方案，让企业机构在不共享底层数据的前提下可以跨领域协作，由微众银行首席人工智能官(CAIO)、中国人工智能学会副理事长、AAAI/ACM/IEEE Fellow、IJCAI理事长杨强教授带领微众银行AI团队最早在国内研究推广。
据了解，所谓“联邦”，就是建立一个数据联盟，各方在合作的同时又彼此独立，“君子和而不同”，即使拥有不同的用户群体，用户的特征差异巨大，也可以共同构建一个开放、平等、包容的AI合作生态。
这让企业机构之间的跨领域合作成为可能，而不必担忧数据隐私保护问题。比如在智慧零售场景下，银行拥有用户购买能力的特征，社交平台拥有用户个人偏好特征，而电商平台则拥有产品特点的特征，传统的机器学习无法直接在异构数据上进行学习，联邦学习却能在三方不共享数据的基础上进行协作，为用户提供更精准的产品推荐等服务，打破数据壁垒，构建跨领域合作。
在医疗领域，协作更加重要。病症、病理报告、检测结果等病人隐私数据常常分散在多家医院、诊所，多方合作建立的预测模型能够更准确地预测癌症、基因疾病等疑难病，联邦学习使医院间可以跨地域协作而数据不出本地，如果所有的医疗机构能建立一个联邦学习联盟，那或许可以使人类的医疗卫生事业迈上一个全新的台阶。
斯宾塞曾说：“进步不是什么事件，而是一种需要。”,当数据隐私保护成为需要，就会有新的技术去解决，人工智能也是在这样的探索中不断推动着社会进步。
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。
