连连支付母公司合体运通，时隔20个月，正式获发银行卡清算许可；可在中国境内拓展成员机构、授权发行和受理“美国运通”品牌的银行卡. 13日，中国人民银行发布信息称，向连通（杭州）技术服务有限公司（下称 “连通公司”）核发银行卡清算业务许可证。 连通公司是美国运通（American Express）在中国境内发起设立的合资公司，获得许可后，可在中国境内拓展成员机构、授权发行和受理“美国运通”品牌的银行卡。工商信息显示，连连支付母公司连连数字科技有限公司（下称 “连连数科”）持有连通公司50%股份。 1月8日，央行发布《盘点央行的2019|金融业对外开放》时提到，已经受理美国运通相关机构的银行卡清算机构开业申请，同时批准了美国贝宝公司（PayPal）以收购中国境内支付机构股权的方式进入中国支付服务市场。 事实上，在2018年11月9日，连通公司银行卡清算机构筹备申请已经审查通过。时隔20个月，银行可许可证正式获批。 2019年6月，银行卡转接清算机构中国银联获发首张银行卡清算业务许可证。目前，万事达和网联成立的合资公司万事网联信息技术（北京）有限公司（下称 “万事网联”）也拿下了银行卡清算牌照。2月11日，央行公示，万事网联提交的银行卡清算机构筹备申请。“万事达”品牌银行卡或也将加入市场竞争。 除了支付业扩张，连连支付关联公司收购了网易小贷牌照，疑有意经营小额信贷业务。2020年1月，网易小贷的股东变更为连连数字科技有限公司、连连银加信息技术有限公司和浙江连连信息技术有限公司。天眼查信息显示，5月，连连数科申请了包括连连钱包等商标。
14日下午，6名烧伤和多发伤危重症病人将通过救护车从温岭第一人民转运到浙二医院，另外2名将通过直升机转运。温岭市第一人民医院是此次收治伤者最多的医院，一共有79名伤者在此救治，其中重伤17人。 温岭第一人民医院，直升机准备转送重伤员至杭州浙大二院。摄影马振寰 重伤员将从住院部大门运出。摄影马振寰 温岭第一人民医院转运患者到浙二医院。摄影马振寰
伟大的产品，不一定以「标准化」开始，但一定以「标准化」结束。如果没有足够标准化的产品、没有十倍领先于行业的商业价值，面对磨刀霍霍的金融机构，面对虎视眈眈的互联网企业，创业公司没有未来。什么样的AI产品，才能让「金融科技企业」活下来？为此，雷锋网《AI金融评论》策划了「AI能否解决金融刚需问题」系列选题，借同一个话题，对不同背景的受访者、产品和客群各异的企业们进行采访，期望在不同的商业和技术认知下捕捉观点碰撞的火花。在前两篇采访中，我们采访了冰鉴科技CEO顾凌云、慧安金科CEO黄铃。本系列的第三篇文章，由品钛执行副总裁李惠科讲述他眼中AI和金融之间的关系。以下为李惠科的所感所想：90年代，我第一次遇到AIAI已经85岁了。对于人类而言，85岁已是垂垂老矣；但对人工智能来说，还只是个含苞待放的孩子。90年代，我上大学，恰好赶上中国人工智能研究起步阶段。如今在AI领域，应用十分广泛的场景有：人脸识别、自动驾驶等。但我们那会儿，比较火的是模式识别，雷达信号检测、医疗信号检测。当时，有医疗机构希望把AI应用在核磁共振等「医疗信号检测」项目中，我作为人工智能相关专业的学生，也参与了那一次POC测试。事实证明，AI在上个世纪90年代，便展示出它十分惊人的效果。通过训练人工神经网络、识别图像底层结构，人工智能很完美地把缺少的视图补充完整，并将扫描速度提高了整整10倍。这次POC测试，让我第一次感受到AI的魅力，也见识到了AI强大的跨界能力。在之后的几十年里，我也不断体会AI在跨界过程中的成功与失败，逐渐形成了一个感悟：“做一个AI产品，一定要结合它具体的业务场景。”金融是一个数字化程度很高的行业，在财富管理、大数据风控等领域，因为能积累海量数据，使得AI的使用效果较好。当然，判断AI的实际应用效果是好是坏，通常还需要一系列的量化指标。在财富管理领域，就比较注重「投资回报率」、「最大回撤率」。此外，还须考虑它的稳定性和开放性。开放性，指的是AI和其他产品集成的能力；稳定性，意思是AI产品是否足够安全、可用、易于扩展。具体来讲，我们会评估这个产品的流程开发能力、API接口、可编程用户界面、控制系统、安全、审计、维护等综合技术能力。当然，并不是所有和人工智能相关的应用，都已经有量化的指标；也不是所有场景，人工智能都可以无限适用。糟糕的体验AI被过于神话了。严肃的讲，在试用一些合作伙伴演示的AI产品时，我的体验很糟糕。我们经常会遇到这样一个算法，在理论层面，它的准确率非常高，但是应用案例却很少。比如语音识别，的确，一些大厂的AI语音产品做的越来越好。但是如果你和这些AI日常对话，它仍会错误百出，甚至让你捧腹大笑。这样的例子不在少数，全球最大的消费级机器人制造商Anki破产；智能驾驶汽车撞人；智能语音助手大半夜突然放音乐等。目前已经成功的AI相关业务，一般是在特定领域可以抽象化、标准化的。而个性化、定制化程度高的AI业务，则需要理论化和工程化结合的更敏捷的解决办法。信贷风控就是一个很典型的例子。在信贷风控场景下，中小企业的日常运作常常不规范，没有统一的标准和形式。数据的来源不同且十分杂乱，必须要进行数据结构化处理以及数据清洗，才能让AI的应用达到比较好的效果。而且要不断积累数据，反复训练，逐步提高。而同样是信贷风控领域，电信场景下因为海量高质量数据的存在，AI的发挥也就更如鱼得水。找到合适的业务场景，永远应该排在第一位。选择技术，远远没有选择场景、解决痛点重要。企业家不空谈技术和算法，应该从业务出发，讨论技术的可行性，培养优秀的算法科学家，积累足够多的数据，反复实验验证，一定不能急于求成。从策略上讲，我们会快速迭代、不断试错、逐步完善产品。人工智能不用刻意神话，现实中我们遇到的大部分问题，其实一个简单的决策树就可以解决。一个简单的决策数和统计模型就完全可以处理低维度参数或符合特定规律的数据。然而，在今天的信贷风控中，我们往往要引入复杂的参数和动态的变量，尤其是现在互联网平台下，那些未被央行征信覆盖的客群，我们需要通过搜集客户在日常工作、生活中产生的海量行为数据，提炼客户画像。当数据集越来越庞大，我们一般会选择机器学习来处理，如果这时还用单一的决策树或统计模型是显然不合时宜的。数据想要变废为宝，需要多种方式“出力”；一个行业的发展，更是如此。赶上时代浪潮一个科技细分行业想要发展，离不开这个链条中所有上下游公司、以及监管部门的共同努力。比如5G行业里规则的制定，监管在具体定调之前的调研不仅有本国的公司，还有全球各国企业的共同参与。这些参与其中的公司，还分下游的运营商、上游的设备商、中间的测试厂商等。这些厂商和各国政府机构、国际组织一起制定行业规则，每一个服务商在其中都会发挥自己的作用。金融科技行业的发展也是如此，下游有TO C厂商、上游有数据提供商、中间还有平台解决方案提供商。每个层级的厂商都会提出自己在这个行业里的见解和看法，同时政府和监管部门也会提出自己的看法，大家一起推动行业的发展。政府和监管部门跟业界之间的讨论是非常频繁的，一些高级别的监管官员会直接在群里，提各种各样的问题和业内的公司管理者们一起进行思考。金融科技行业的未来发展不单单依赖于监管机构、企业的群策群力，更关键的是它契合了人们对未来金融产品的期待。新一代的年轻人在数字化变革当中长大，他们长大后对金融产品的需求不是传统银行业务可以满足的。AI通过算法向用户主动推荐产品、判断用户的兴趣，可以更好的了解客户、了解市场、保持和客户的连接。做一个产品或者给客户提供一个服务，不在于追求算法多么复杂、多么炫酷。我们以前设计的IT产品，大多是给技术人员用。而近10年以来，所有产品设计的导向是给用户使用。当企业做的产品客户不会用，不是客户不好，是产品没做好。随着互联网的蓬勃发展，这20年来数据呈现出的爆发式增长，使得人工智能在金融领域创新成为可能，我们赶上了好时候。而这只是刚刚开始，现在进入这个行业的年轻人创业者和优秀人才，仍有着广阔天地，大有作为。
2020年6月14日，游客戴着口罩在湖北省博物馆参观。当天，湖北省博物馆、省图书馆、辛亥革命武昌起义纪念馆、湖北美术馆、省群艺馆等五家省级公共文化场馆恢复开放，社会公众通过预约方式有序进馆参观。 游客戴着口罩在湖北省博物馆参观曾侯乙编钟。（柯皓 摄） 游客戴着口罩在湖北省博物馆参观曾侯乙编钟。（柯皓 摄） 游客戴着口罩在湖北省博物馆参观。（柯皓 摄） 游客戴着口罩在湖北省博物馆参观。（柯皓 摄）游客戴着口罩在湖北省博物馆参观。（柯皓 摄）游客戴着口罩在湖北省博物馆参观。（柯皓 摄） 观众在湖北省博物馆入口处消毒通道接受体温检测。（柯皓 摄） 观众经过消毒通道。（柯皓 摄）
近日，为摸清近期辖内人身险公司退保风险底数，上海、广东等多地银保监局决定，将开展人身险公司退保风险排查工作。 据悉，此次风险排查的重点主要聚焦四个方面：一是关注疫情发生以来大额保单因续期缴费困难而面临的退保风险。二是关注恶意投诉全额退保黑色产业链（下称“黑产代理投诉”）引发的非正常退保风险。三是关注退保压力较大且业务增长乏力的保险公司存在的现金流风险。四是关注业务团队基于基本法套利引发的集中退保风险。 其中，“黑产代理投诉”引发的非正常退保情况，成为去年以来各地保险市场严厉打击整治的重点。“黑产代理投诉”是指，一些个人或社会团体以牟利为目的，以怂恿、诱导等手段让消费者委托其代理全额退保事宜，并以此收取消费者高额手续费，主要涉及传统寿险、健康险等人身保险产品。此类行为不仅扰乱保险市场正常经营秩序，而且最终损害保险消费者的合法权益。 对此，多地银保监局圈定了四类业务和产品，重点进行摸底排查。 首先是保单收益可能低于客户预期的产品。重点关注红利分配水平显著低于客户预期的分红险产品，结算利率显著低于客户预期的万能险产品，存在较大浮亏的投连险产品等。 其次是预期存续期5年期以下业务。从产品设计、销售策略、保单收益等角度出发，合理预估相关产品在2020年至2022年的退保情况，防范短期内出现集中退保的风险。 再者是存在集中退保风险的期交业务。比如，应采取排查客户信息不真实保单、60岁以上老年投保人保单、客户回访不成功保单、存在投诉纠纷的保单、失效保单、超过宽限期仍未缴费的保单等方法，筛查有退保风险的业务。 最后是既往销售中存在误导的产品。应采取筛查举报投诉清单等方法，重点关注存在“存单变保单”、承诺高收益、混淆缴费期与保险期、代签名等销售误导行为，易引发消费者投诉从而引发非正常退保风险的产品。特别要对上市时间早、销售较为集中、管控措施不严且在2020年集中到期给付的存量保单，加大销售误导风险排查力度，提前制定应对预案。 为遏制风险，根据要求，各人身险公司应高度重视此次排查工作，根据排查重点明确工作职责，压实各级机构责任。排查过程中发现的苗头性、倾向性风险，要及时采取处置措施。 同时，为了掌握风险底数，各人身险公司应结合风险排查实际情况，撰写风险排查报告，并填写退保风险排查表。具体来看，风险排查报告应从“风险排查工作组织情况”“重点风险和重点业务排查结果”“排查中发现的新情况与新问题”“风险应对措施和建议”等四个方面撰写，做到条理清晰、论据充分，全面、客观、准确地反映实际情况。 对于“黑产代理投诉”引发的恶意全额退保现象，银保监会及各地银保监局去年以来多次提醒消费者注意风险。最近，银保监会消费者权益保护局发文再次提醒消费者：要警惕代理退保的风险隐患，根据自身需求谨慎办理退保，依法理性维护自身合法权益不受侵害。具体来看，至少隐藏三种风险：失去正常保险保障风险；资金受损或遭受诈骗风险；个人信息泄漏风险。 此外，保险公司也开始抱团取暖、通力协作，对全额退保黑色产业链进行调查，收集证据，联名举报当地不法团伙从事恶意代理退保业务，通过法律手段维护正当权益。
近日，香港人工智能与机器人学会（HKSAIR）创会理事长、微众银行首席AI官、香港科技大学讲席教授杨强老师，领衔HKSAIR《AI金融》系列线上讲座第一课，主讲联邦学习及其四大应用场景。以下为杨强教授演讲全文，雷锋网做了不改变原意的整理：我们这次的课程系列，与当前大家在工业界和学术界非常重视的一个议题相关，就是如何利用数据做人工智能的模型，同时又能够保护用户的隐私，保护数据的安全。很多同学听说过深度学习，听说过监督学习，可能没有听说过联邦学习。这个也是要给大家交代一下联邦学习的由来。为什么我在微众银行建立AI团队？我在观察金融的各个方面能不能用AI的模型给包装起来。因此我们设计了以下四大版块，产品和业务已经出炉，可以说是“AI落地急先锋”。详细说一下AI+服务，比如开户验证身份要进行人脸/语音/指纹识别，又比如小微企业的企业主申请企业贷款上传执照要通过OCR图像识别、文字识别获取，自动产生信用评估。现在AI+服务大概每天能处理百万以上的这种需求。以语音识别为例，我们做到了自主自研，与众多业界领先的语音识别的提供者相比具有明显优势，一是因为我们金融领域的知识，有大量特定话术和专业词汇的储备，在各种具体的特殊环境下都能处理。二是我们有非常先进的联邦学习技术，这就是今天的主题。还有迁移学习，可以很快把通用模型适配到特殊的场景。AI+营销，有了产品也要有能力传播出去，找到对的人和企业，去提供金融服务。怎么找到正确的需求？比如微信朋友圈，大家有时候会看到小微企业贷款广告，说明系统“认出”你是一个小微企业主。我们通过很多的特征来识别，很快赋予额度给小微企业的企业主，秒级批准。另外，推荐系统是非常有用的一个技术，我们把推荐系统和迁移学习、联邦学习结合起来，形成了新的技术优势，后面会细说。在金融行业一个很大的优势，就是风控非常严格，要高效做信用评估，那就需要很多数据，360°来观察企业或者申请贷款的用户。但同时又不希望这些数据的隐私被暴露，如何能够做到这一点？这，就是联邦学习要做的事情。举例：金融保险定价，我们把违约概率大幅缩减，个性化的保险定价提升8倍。小微企业风控模型准确率提高，相应地，坏账率降低。我们有一个叫做揽月的产品，是从卫星视角往下看，能看到企业的经营状况，比方说左下角可以通过卡车个数和活跃度看到矿业的经营状况。右上角是农业种植区域，可以通过卫星评估产量。左上角是洪水泛滥受灾地区，通过卫星对地区受灾的程度进行定价。右下角是烟囱污染，环境在投资里是社会价值的体现，对环境的保护体现了公司治理水平，相应产生的ESG指数，很多也来自于于卫星图像观察。综上所述，这4个版块，2个是前端的（服务、营销），2个是后端的（风控、资管）。金融小数据与隐私保护的双重挑战在这个过程中，数据是非常缺乏的。要保护我们的隐私，同时也想要服务，怎么做到？下面这句话叫做“数据不动，模型动”，希望大家就记住这7个字。这个就是联邦学习的精髓。AlphaGo出现以后，人工智能井喷式发展。但我们周围日常的生活，有的却是小数据，不要以为大公司就一定有大数据。像在金融里面有很多的数据，其实是黑天鹅现象。比方说在反洗钱应用中用于模型训练的洗钱案例，其实数量并没有想象中那么多，还是属于少数现象。这种数据拿它来训练，效果不是很好。在医疗也是这样，每天都有那么多的病人，一定是大数据吗？有一家公司叫做第四范式，用人工智能赋能金融场景。有很多头部银行都在使用它的产品，其中一个案例很有意思：豪车这种大额贷款，如果要建一个模型来做这种大额贷款的信用度的评估，数据往往是在上百例以内，这点样本是没有办法训练一个好的深度模型的，或许可以来训练 support vector machine（支持向量机）或decision tree（决策树），但往往不精确。又比如，大家都很憧憬无人车的到来，但迟迟不来，其中一个重要的原因，就是因为无人车还不靠谱。我们不知道它见到一个它没见过的情况会发生什么，为了应付这种情况，可不可以把所有汽车上面的传感器、摄像头的数据全部聚合在一起，飞快地训练一个无人车的视觉模型？不行，因为每一个在路上的车辆，虽然它可以收集自己前面的影像数据，但是它不肯把这个数据和别人去共享，因为它有很多出行隐私在里面。即使这些无人车都是跟云端在连接的，模型却没有办法及时更新。很多类似的端计算场景，就没有办法真正的实现，因为数据的割裂和短缺。能不能把这些众多的小数据集给聚合起来，成为大数据？过去，确实是这样做的。现在，这样做的结果就是违规。比方说，欧洲在18年就推出了一个非常严格的个人隐私法规，说数据的拥有权是绝对在终端用户那里。如果服务器端的公司，要用户的数据来训练某个模型，比方说搜索引擎的模型，它就一定要得到用户的许可。假设明天它要用同样的数据去训练推荐引擎的模型，那又得到用户那去，得到新的许可。用户如果哪天说不希望你用我的数据在你的模型里了，那么从此以后，这个公司就没有办法用用户的新的数据，这个叫“被遗忘权”。很多巨头因此被罚，Google就被罚了5000多万欧元， Facebook也遭受了滑铁卢。在国内，数据的隐私保护已经是处于一个非常严格的态势，很多大数据公司，在过去都是新贵，但是现在都变成了阶下囚。我们现在在国内的银行里面工作，深知数据是红线，万万碰不得的。应该说，联邦学习现在已经变成了国内外的技术上的一个重大趋势，并且它已经是一个跨领域的概念，它不仅仅是技术，而且是商业，它有自己的商业模式。何为联邦学习？在过去，数据动模型不动，也就是说我们从各地来购买数据，或移动数据到一个中心点，在中心点建立模型。用一个简单的例子来给大家进行解释：假设用一只羊来类比机器学习模型，草就是数据，我们希望羊吃了草以后能够长大。过去的做法是，把草买到一起来建立模型。比方说左边的模型，左边的箭头是指向羊的。羊不动，但是草被购买到中心。相当于用简单粗暴的办法来获取数据，形成大数据，来建立模型。但我们希望能够保护各自的隐私，所以让草不动，让羊动。这样羊既能吃那个地方的草，主人又不知道到底吃了哪些草，久而久之羊就长大了——这个就是联邦学习的新思路，就是让草不出草场，本地主人无法知道羊吃了哪些草，但是羊还是长大了。比如每一个手机都是我们个人在使用，形成了一堆样本。有不同的手机，每个手机基本上取的这些特征都一样，但样本却不同。我们希望在数据不动的情况下，能够聚合这些手机上的数据的这些能力，建立大数据模型。左边所示的数据集们，依次对应右边各终端上面的数据。它们的特征是纵向的，X1、X2、X3是类似的，但样本U1、U2…U10却是不同的。所以这个叫横向切割，按样本切割，简称“横向联邦学习”。我们可以在本地建一个粗糙的模型，用w来表达它的参数，同时对参数加密。有密钥的人才可以看到内涵，别人和服务器也看不到加密后数据包里的内容。服务器得了加密后的参数，就可以通过某种形式，把这些加密后的参数加以更新、聚合、处理，形成一个更大的模型。这里大家可能会有疑问，你得到的是一个加密的包，是一堆乱码，怎么可以把两堆乱码加到一起？还成为一个有意义的模型？这个问题，我留在下一页来解决。每一个地方的数据，就对应这里有一个颜色的小表格，行是每一个用户的数据，列是每一维的特征。可以看到这个特征在不同终端上的特征是类似的，但是用户不一样。按照用户来切割，并没有按照特征来切割。有了这样的一个形态以后，我们就可以把刚才给大家讲的故事，写成一个算法。这个算法里最关键的第4步是把运到服务器端的加密模型，这些包用一个f函数来处理，它是一个机器学习算法，作用在参数上。我们原来有这么一种新型的加密算法，他可以让机器学习的算法可以穿透加密层进到内涵，也就是说我们对一堆加密包的某种数学运算，相当于对于某种数学运算的加密。这其实是一个小学的概念，叫做distribution law（分配律）。同态加密，可以把多项式的加密，分解成每项加密的多项式，A+B的加密，变成A的加密加B的加密，这是非常伟大的贡献。因为这样就使得我们可以拿一个算法，在外面把算法给全部加密，加密的一层可以渗透到里面的每个单元。安卓系统利用刚才所说的横向切割，即横向联邦学习的方法，不断更新一个总的模型，并且把总的模型分配到本地。在这个过程当中没有数据移出本地，并且即使在云端在进行运算的过程当中，也不会偷窥到任何的这个参数和任何的数据本身。所以，谷歌的安卓系统现在已经在使用，通过基博尔系统对输入法进行更新。如果是某互联网公司和某家银行合作，并不按照样本切分，这两家可能具有同样的样本，用户群类似，但却有不同的特征。这种情况下，数据其实是按照特征纵向来切割的，所以我们管这个模式叫做纵向联邦学习。比方说两家数据拥有方各自建立一部分的模型，但是在建立的过程当中，它需要知道那一部分模型所计算的结果和梯度，计算的梯度来告诉最后的结果是在往哪个方向发展，这需要一个gradient和一个era。在交换过程中，又引入刚才所说的同态加密的算法，使得两边可以在不看对方数据内容的情况下，不断更新自己这一部分的模型。这是训练的过程，我们还有使用的过程。使用的过程叫inference，也需要两方来进行。也就是说，如果有一方到一半的时候说不合作了，那么联邦模型就应该停止，这个效果也是可以实现的。我们现在讲了两种模式，一种是横向联邦，那么横向联邦更多的是to c。to b 是几家公司有意愿合作，可能数目不多，但每一个地方的数据都是客观的。在这种情况下，他们要做出1+1＞2的效果，就可以用纵向联邦来进行。问：联邦学习和分布式机器学习最能区分的点是什么？可能以前做机器学习的同学做过分布式机器学习，比方说有参数服务器这样的概念。分布式机器学习，目的是加速，加速的办法是通过网络、多个服务器的平行并行计算。它就要考虑把这个数据给切分成不同的块，使得每一块的计算是在不同的服务器上进行的，但是每一块它的分布又是差不多的。但在联邦学习中，我们不能保证所有的数据拥有方，它的数据分布是一样的。分布式机器学习的目标是加速，联邦学习的目的是合作，同时保护隐私，所以最终目的还是不一样。问：联邦学习和安全计算是什么关系？国外是不是有类似的这种经验？安全计算应该说是联邦学习的重要组成部分，联邦学习不是一个孤立的算法，它是一个综合性的学科，安全计算是为它提供工具的。前面说到安全是用同态加密来进行，也可以用其它的方法，比方说姚期智院士发明的Garbled Circuit（混淆电路）。问：区块链听起来和联邦学习有点像，都是在多方进行的，它们是不是有些异同？它的做法可能有些相同，但是也有巨大的不同。相同的地方是它可以用区块链的分布式记账功能来进行有效的激励措施。激励措施是我刚才所没有讲的，就是说怎么鼓励参与方持续地投入，参与到联邦里面来。同时去中心化的概念，也是我们尤其是纵向联邦里面的一个概念。但一个很大的不同是，区块链为了保证 transparency，还有保证数据的不可篡改性，那么它要把同样一份数据多次copy到不同的场景，最后大家要有一个vote的机制，但是联邦学习却不然，联邦学习是一个数据，只有一个copy，它不能够出本地，所以它的目的就是通过这种uniqueness的方法来保证用户的数据的隐私和安全。还有我们新提出来的虎符性概念，就是多方参与，才能够计算。缺了一方，这个就无效，就像战国时代，你要把虎符两个印要对上才能够用兵，这个是联邦学习的一个优点。问：如果有一方数据是坏人怎么办？比如横向联邦，如果有一个手机，它其实是坏人，它参与了计算，那么它每次贡献的模型都是在下毒，也就是说它在把最后的结果在朝着他对它自己有利的方向发展，或者在纵向联邦的时候，两方当中，其中有一方，它的目的就是为了窥探对方的隐私， 怎么办？在场景下，我们有各种各样的做法。比方说做OCR，written text是0，这个是原始数据，我们让计算机识别0。如果不做加密，我们没有一个机制，这种所谓的对抗是可以做到的，坏人是可以通过参数或者一系列梯度的泄露可以反猜原始数据。在建立模型训练的过程当中，如果这个模型的 gradient不断被引向到一个第三方，第三方获取 gradient，最后reconstruct我们就用data，通过这样的办法可以去做窃听。题目也是在去年NIPS得到最佳paper的一个题目，是MIT韩松教授做的。应付它的方法，也是联邦学习的一个拿手好戏。比方说假设一个player，半诚实（Honest-but-curious）就是好奇，但本身不坏。还有人是恶意的，想搞破坏，想得到用户隐私，然后获利。对于不同的假设，可以设计不同的联邦学习算法和多方计算算法来防止下毒，还可以做零知识（Zero knowledge）和一些知识（Some knowledge）分类。服务器端也可以区分是不是恶意中心、恶意的数据节点和非恶意的数据节点。问：金融场景有没有遇到过坏人？在联邦学习里面，如果有同学现在在找题目，说我能不能在联邦学习找一个硕士题目或者找一个PHD的topic？完全有的，但是要聚焦，因为联邦学习涉及的方面实在是太多了，所以如果你要找一个题目，你往往会找一个子题目，比方说如何能够做到安全合规，如何能够设计一种机制防御攻击，提高算法效率。比方说我们科大的陈凯老师，他带领的团队就在设计全世界领先的算法，网络效率可以通过网络的设计，包括网络protocol、芯片的设计来提高。还有王威老师、宋阳秋老师，都在设计算法，他们的算法都是非常精确的。问：你讲模型我还是云里雾里的，模型到底是做什么的？打个比方，现在每个人都用手机，有时候也看抖音，一看就很长时间过去了。为什么抖音能做到这一点？精准的推荐和个性化，利用数据来做推荐系统。如图所示，比方说我们有很多的手机，每个手机上都有数据。抖音的做法，是把每个手机上的数据上传到云端，再利用所聚集的大数据训练模型，再适配到每一个人的个人数据上，就变成个性化推荐模型，再给推到手机端，就是循环往复这样一个过程。这过程有个缺点，就是它侵犯了用户隐私，每个人的数据，云端就会看到。怎么防止？这里我就要说联邦学习+推荐系统，就是联邦推荐，这个也是我们第一次提出federated recommendation的一个算法。它的算法宗旨，就是对每一个手机上的 transaction，用户以前看过的视频或者书，进行矩阵分解，得到用户空间和产品空间。如果你们喜欢数学，你们可能知道本征值、本征向量，线性代数里面的概念，实际上就是求这个值，但基于本地数据求值是非常不准的。所以通过联邦学习，能够让他们既能够利用所有的数据来求 ，同时不把本地的数据暴露给其他任何人。这就是联邦推荐的概念，可以在toB的形势下实现，就是纵向联邦。纵向联邦现在应用在哪里呢？又有一个新的名词，叫做联邦广告。现在互联网的一大经济支柱就是广告，在现有的广告架构下，广告是不可避免地侵犯用户隐私。联邦广告可以让广告方、投放的媒体方、用户方各自保留自己的数据，同时提高投放准确率。问：联邦学习训练后的模型是一个公共的模型，而各个客户端的数据经常是non-iid的，怎么办？联邦学习训练后的模型，是一个公共的模型，而各个客户端的数据经常是分布都不一样，比方说我们有一个手机是女生用的，她看的短视频和一个男生用的手机的看的短视频，可能是完全不一样的短视频，因此我们拿他们两个的数据粗暴地做数据联邦，这个效果是肯定不好的，这是机器学习的一个常识。怎么办？我们还有元学习，和多任务学习、迁移学习是可以解决non-iid问题的。又要给大家提一个新名词，叫做联邦迁移学习，在之前每一端都先要做一个联邦迁移学习，找到自己的一个子空间，在这个数据子空间的比对下，大家可以认识到自己找到的子空间，各自找到子空间是属于同分布的就可以。那么找到子空间，可以用联邦学习来实现。这个领域论文非常的少，所以如果有同学在找题目，我鼓励大家在这个方面发力，一定是明年各个顶会的文章，best paper一定是属于你们的。联邦学习应用案例小微企业信贷风控假设我们要给一些小微企业贷款，又不知道小微企业的情况，第一个可以问询的是央行征信，比方说他过去在某个银行贷过款，信用度如何，但这种数据，它的样本往往是非常少的，所以只是去找央行的数据远远不够。我们希望用到的数据是多方面的，比如工商、税务、舆情，还有各种资产的数据。但是这些数据拥有方，往往都是政府的不同部门、不同的企业。有专门的公司去帮助这些小微企业建立电子化的发票，有从专门的业务角度观察，我们只有用联邦学习才能说服他们来参与，否则他们担心核心资产会被泄露。这里的例子，是我们在企业贷款里面基于联邦学习的风险控制模型。某个银行和某个发票企业最后形成联邦，大为提升准确率，降低坏账率。保险联邦建模保险其实就是风险，风险和数据是分不开的，数据越多，风险越低，因此保险公司在某些程度上也想合作，因为不同的保险公司有不同的数据。有的保险公司是专门为保险公司保险的，叫做再保险公司，比方说瑞士再保险公司，是世界上最大的再保险公司，有100多年的历史，这些公司在过去因为数据割裂，没有办法合作的。现在就在用联邦学习，而且取得了非常好的效果。计算机视觉比方说我们有不同的摄像头，每个摄像头都覆盖一个区域，这个地方的数据是公司的核心资产，不愿意和别的公司去share，但是他又希望利用到别的公司的数据，来增高自己的准确度，这个时候就可以用到联邦学习，我们叫视觉联邦，已经落地实施。每天深圳的建筑工地用来探测危险，影响施工的一些现象，比方说明火抽烟和不戴安全帽的现象。另外，语音识别、IOT在仓储管理的场景，联邦学习也有所应用。不同的仓库可以形成线性联邦，监测地方仓储状况，这些状况就为风控模型和为物流业的决策提供了保障。医学应用我们最近和腾讯的天眼实验室合作，成功构建了一个“脑卒中发病风险预测模型”，通过使用来自就诊记录数量TOP5的医院真实就诊数据验证，联邦学习模型和集中训练模型表现几乎一致，在脑卒中预测模型中的准确率达到80%，仅比集中训练模型准确率降低1%。同时，联邦学习技术显著提升了不同医院的独立模型效果，特别是，对于两家脑卒中确诊病例数量较少的医院而言，联邦学习分别提升其准确率10%和20%以上。联邦学习不仅仅是一个算法，而是一个操作系统。因为有激励机制在里面，可以把不同的行业给凝聚在一起，使得大家有动力，不断用联邦学习来做联盟。除了刚才提到的场景，还有银行和监管联合跨境反洗钱，互联网+保险，互联网+银行风控，互联网+零售，这些问题都可以通过联邦学习更好解决。我们建立生态，建立平台，建立标准。也希望这个不仅仅是一个算法，而是新的paradise。我有的时候跟媒体讲，AlphaGo代表了AI 1.0，它就是说在一个地方有数据，在一个地方有算法，在一个地方可以有一个很好的模型，就是AlphaGo。现在我们进入了AI 2.0，我们在不同的地方有数据、算法、业务，我们还可以做AI，这个是谷歌所没有做到的，中国现在在这个方向是领头的。怎么做到这一点？首先要建立标准。我们特别自豪的一点是，世界上第一个联邦学习的产业联盟，建立的IEEE的标准，已经到了最后一步，马上就要正式发布了，敬请关注。同时在国内，有联邦学习的团体标准，这个也是微众银行领衔发布。我们有一个联邦学习的开源平台，就在Linux Foundation上，是金牌的开源平台，短短两个月就收集到贡献者打的上千星，到现在已经2000以上。在短时间得到这样的认可，也是非常难得。
图片来源@视觉中国距离中行“原油宝”事件已经过去了一个多月，对于6万名“原油宝”投资人而言，这也是一段惊心动魄的经历。中国银保监会相关部门负责人5月19日在接受《金融时报》采访时提到，针对中国银行“原油宝”事件，银保监会在前期调查的基础上，已于近日启动立案调查程序，要求中国银行与客户平等协商，依法依规解决问题。这也是银保监会对于该事件的二度发声。有中行人士对《棱镜》表示，“原油宝”的影响远远超过了2014年的“优汇通”事件，这是令他们始料未及的。后者曾被央视曝光涉及“地下钱庄”和“洗黑钱”，但以中行回复“与事实不符，相关业务已向监管部门汇报，在符合监管原则的前提下先行先试”而迅速平息。按照中行的对外披露，该行与客户和解签约率已经超过80%，并正在全面梳理审视产品设计、业务策略和风险管控等环节和流程。这一数字来得并不轻松。《棱镜》从多个“原油宝”投资人群里了解到，为了让投资人早日签署和解协议，中行使出了浑身解数：包括简化签约流程、增加与投资人沟通的频次等等，更有甚者，有的分支行行长还亲自登门给投资人送果篮。一边是资产超24万亿元的国有大银行，一边是分散各地的普通投资人，其中的和解过程充满曲折。《棱镜》近期对话了多名当事人，试图还原投资人与银行这一个多月的博弈故事。无论如何，这将是金融业一个具有标志性意义的事件。而银保监会的调查结果，也将成为未来可供参考的案例。由强硬到妥协的五次公告4月22日早上，中行用一则仅100多字的简短公告，将“原油宝”事件彻底引爆。在公告中，中行称经审慎确认，WTI原油5月期货合约CME官方结算价-37.63美元/桶为有效价格。原油宝产品的美国原油合约将参考CME官方结算价进行结算或移仓。这是美国芝加哥商品交易所一百多年的历史上，大宗商品期货第一次出现负价。这也意味着，原油宝的投资人除了亏光本金之外，还要倒欠银行2~3倍投资本金的债务，遭遇严重“穿仓”。质疑铺天盖地而来，毕竟投资不光亏光本金，还要倒贴的结果，超出了公众以往的认知，社交媒体上掀起了一股研究“原油期货到底是个啥“的热潮。如今在知乎上“如何看待中国银行的原油宝”的这个话题，已获得295个回答，浏览量超过172万。或许是意识到早上的公告不足以解答公众的疑惑，4月22日晚间，中行又发布了一则“关于原油宝业务情况的说明”，解释了产品到期处理、结算价、合约处理、强制平仓等关键问题。其中提到，期货交易所按照北京时间凌晨2点28分至2点30分的均价计算当日结算价；对于原油宝产品，市场价格不为负值时，多头头寸不会触发强制平仓。但这段700多字的说明，仍只字未提投资人的亏损以及具体的解决方案。4月23日开始，陆续有投资人收到中行的短信提醒：“请多头持仓客户根据平仓损益及时补足交割款”，并发现自己在原油宝账户的资金被银行全部划转。有投资人在咨询中行客服若不补足会如何时，得到的答复是将被视为欠款，银行有权向央行申请将欠款记录纳入其征信。这一做法显然激起了投资人更大的愤怒，他们迅速集结起来，向银保监会等监管部门举报，向媒体曝光，表达自己的诉求。在舆论的持续发酵下，4月24日，中行第三次就“原油宝”事件作出说明，并首次对外披露了“原油宝”客户群体的一些信息：4月20日是“原油宝”美国原油产品当期结算日，约46%中行客户主动平仓离场, 约54%中行客户移仓或到期轧差处理（既有做多客户，也有做空客户）；并首次表态称，对客户投资“原油宝”产品遭受损失感到不安，在法律框架下承担应有责任，尽最大努力维护客户合法利益。5天之后，中行的第四次公告态度进一步缓和，称中行正积极研究并争取尽快拿出回应客户合理诉求的意见。中行继续与客户保持诚挚沟通协商，始终与客户站在一起，尽最大努力保护客户的合法权益。4月30日，中国银保监会首次就“原油宝“事件作出回应：第一时间要求中国银行依法依规解决问题，与客户平等协商，及时回应关切，切实维护投资者的合法权益。同时，要求中行尽快梳理查清问题，严格产品管理，加强风险管控，提升市场异常波动下应急管理能力。目前相关情况正在进一步调查中。真正的转折发生在5月5日，中行在当天发布第五份关于“原油宝”的说明，称本着法治化、市场化的原则，已经研究提出了回应客户诉求的意见。目前中行相关分支机构正按意见积极与客户诚挚沟通，在自愿平等基础上协商和解。如无法达成和解，双方可通过诉讼方式解决民事纠纷，中行将尊重最终司法判决。随后，投资人陆续收到中行沟通和解协议的电话，内容大同小异：中行将承担“原油宝”投资人负价结算部分的亏损，中行从投资人保证金账户中扣除的、以负价结算的资金予以返还，并对投资人给予保证金（即本金）20%的亏损补偿。据《财新》报道，按照上述方案，中行此次总共损失约65亿元。不过，相较于其2019年全年2019亿元的净利润而言，“原油宝“事件所造成的声誉风险损失显然更加难以估量。得知这一方案，家住吉林的庞先生第一反应是“终于不用欠银行钱了，有点高兴”。他向《棱镜》坦言，后来一琢磨，还是觉得挺悲哀，一夜之间存款就剩20%了，这个方案于他就是一个“安慰奖”而已。庞先生在“原油宝”总计投入70多万元，如果按照-37.63美元/桶的价格计算，他还倒欠银行147万元；按照现有的和解方案，他仍然亏损56万元左右。一对一沟通，浑身解数求和解几乎是在中行公布-37.63美元/桶为有效价格的同一时间，投资人侯先生在知乎关于原油宝的一则话题下，留下了自己的联系方式，就这样他机缘巧合地成为了维权的发起人之一，并亲历了这一个多月以来与银行斡旋的全过程。侯先生告诉《棱镜》，当时选择留下自己的联系方式，是为了让分散在全国各地的投资人彼此有个联系，消息互通。没想到有近1000人加了他微信，最后他们组建了五个投资人群，加起来超过1800人。侯先生在“原油宝”投资了50多万元，他前前后后与银行沟通了将近十次。中行的五次公告让他感受到，银行的态度在发生明显的变化。他的心情也从最开始的绝望与愤怒，到后面慢慢觉得又重燃了希望。第五次公告发布且方案确定之后，中行开始与投资人一对一沟通和解协议，一场拉锯战由此展开。庞先生是5月6日中午接到的中行客户经理的来电，对于20%的赔付方案，他当场表示不能接受，他的诉求是按照芝商所宣布修改规则的4月15日当天的结算价格来结算。他告诉《棱镜》，从事发至今，他前前后后与中行沟通过五次，前两次都是他主动去找中行了解进展，和解方案出来之后，变成了银行主动找他。“银行工作人员的态度都很友好，就是没法协商，只能一口价。”庞先生对《棱镜》说，几次沟通下来，他感觉银行对于签和解协议“很急迫”，有的支行承诺给到场签约的投资者赠送小礼品；有的则打同情牌，说如果投资人不签协议支行行长就得下岗……不一而足。《棱镜》所在的一个“原油宝”投资人群里，有投资人晒出果篮称，当地支行行长亲自上门给他送水果，希望他尽快签和解协议。还有投资人自嘲称“花了1万5买了一箱荔枝”。此外，签协议的流程也在简化。由一开始必须去银行线下网点沟通签署，到后面中行上传电子协议，投资人在手机端就可以操作完成签约。据《棱镜》了解，和解协议中有一条为“在本协议生效后，乙方将上述款项不迟于3个工作日内支付至甲方原保证金账户”。在一系列的行动下，签约率也在上升。《棱镜》从接近中行的人士处了解到，5月11日左右，和解协议的签约率超过60%，到5月18日，这一数字上升至80%。来自山东的王先生就是签约大军中的一员。作为一名体制内的工作人员，他对《棱镜》解释签约理由时称，“毕竟要考虑自己的身份”，他自述自己的投资额不少，但也不至于影响生活。据他透露，他身边一名投资了200多万元的同事，比他更早已经签约。两成投资人仍在观望，结果难料对于剩下的20%拒绝签约的投资人而言，继续维权成为他们唯一的路径，只是这条路异常曲折。对于不满现行和解方案的投资人来说，他们希望的方案有两个：一是按4月20日22：00停止交易的价格结算（彼时价格为11.7美元/桶）；二是以芝商所宣布修改规则的4月15日当天结算价来计算。显然，无论是两方案中的哪一种，都比现行方案的损失要小。为何中行的方案是给予20%的补偿？据《棱镜》了解，在中行与“原油宝“客户签署的《中国银行股份有限公司金融市场个人产品协议》中提到，乙方（中行）可以根据实际的市场情况，确定强制平仓最低保证金比例要求，并至少提前5个工作日公告告知，目前强制平仓保证金最低比例要求为20%。这也意味着，中行默认承担强平线以下的损失。虽然投资人在第一时间迅速集结在一起，但在后面的行动中，却因为维权难度较大、投资人意见出现分歧等原因，导致进展缓慢。例如，小户投资人希望诉讼成本最低，速战速决；大额投资人则希望不计成本去争取利益最大化；此外，考虑到“集体诉讼”方式的可行性较低，担心又被律所“割韭菜”，导致投资人迟迟未与律所签约。在一名拥有二十余年期货从业经历的专家看来，中行的“原油宝”这一产品虽然从法律角度来看的确有瑕疵，但现行监管层对于银行强调创新发展战略，由固定收益类的产品向权益类的产品转型，以中间业务逐步替代存贷差这一固定收益业务，是未来银行业及金融改革的一个方向。在这一背景下，很多银行的创新产品是在监管层有备案的，这也意味着，监管层在一定程度上默许这种产品的设计。该人士对《棱镜》表示，金融投资本身是一种契约型的交易产品，国际通用的规则是，一旦你签约，就意味着你要承受相应的风险，也拥有了获得收益的权利。他以2008年香港金融危机中同样出现风险事件的累计期权合约为例，这是一项跟股票挂钩的风险极高的复杂金融衍生品，令不少投资人亏损几千万甚至上亿元，但最后投资人和汇丰、渣打等银行打官司也没有胜诉。安永大中华区金融服务审计主管合伙人林安睿则提到，国际银行在销售金融产品时，也出现过适当性评估和管理存在问题而导致不当销售行为引发监管关注的，例如发生在1990到2010年之间英国的事件，该事件中英国多家老牌银行强迫向客户销售他们不需要的产品，最终导致银行需要巨额赔偿，以及监管罚款。在他看来，管理好投资者适当性尤为重要。具体而言，一是产品设计上，要全面系统地评估和把控风险，把握审慎原则，充分地认识到国际金融市场存在高度不确定性；二是在产品销售上，银行向客户提供的信息应该是充分透明的，风险揭示应该是准确和通俗易懂的，并做好产品风险和客户风险能力匹配，银行在销售产品的KPI设定上不要过于激进，避免员工盲目推销；三是在产品存续期上，在加强金融风险和市场风险管理的同时，也要加强声誉风险管理；四是加强消费者教育，帮助消费者对产品的一些风险认识与评估，适度提高消费者的风险意识。前述银保监会相关部门负责人在接受采访时也提到，银行保险机构要进一步提高风险管控能力，提升金融服务水平。同时，提醒金融消费者理性投资，进一步增强风险意识。
登录
工商服务
危机公关
金融律师
app开发
财税服务
金融牌照
网站建设
知识产权
企业征信
审计评估