当前,数字化转型发展的新时期,金融机构基于政策驱动和市场需求,纷纷借助数字化手段探索构建合规的数据共享智能体系、赋能业务发展。数据作为新型生产要素已成为国家基础性战略资源,但目前仍存在许多影响数据要素价值发挥的关键“命门”,如数据获取困难、分析模型利用率不高、权属界定不清、要素流转无序、隐私保护不足等。
随着金融业务智能化的发展,隐私计算、机器学习等技术在金融行业的广泛应用为共享智能引擎在金融场景落地提供了基础条件。
光大科技—共享智能决策引擎旨在实现数据、指标、规则、模型、决策流等模块的统一管理与灵活配置,构建专业、强大、灵活的决策中台,通过隐私计算、建模平台和模型管理等模块的开发和场景落地,有效攻克了数据使用中“获取壁垒高”“模型重复建设”“管理效率低”“客户信息易泄露”等难题,并提供用于获客、授信、交易、零售、对公等场景整体的解决方案。
政策影响
“保护数据隐私”数据合规政策出台
《中华人民共和国个人信息保护法》《中华人民共和国数据安全法》与《中华人民共和国网络安全法》是我国数据合规的“三驾马车”,三部法律的实施直接构建了我国数据合规的基本法律框架。此外,各级政府机构出台了多项政策及发展规划,明确提出了对数据安全合规流通的发展建议与规划。
“三法联动”
2021.11《中华人民共和国个人信息保护法》个人信息在数据流通过程中的安全合规性,确立了个人信息的“最小必要”原则。
2021.09《中华人民共和国数据安全法》确立数据安全与发展、数据安全制度、数据安全保护义务、政务数据安全与开放相关法律法规。
2017.06《中华人民共和国网络安全法》个人用户信息搜集的安全合规、网络数据的完整性、安全性、保密性等。
金融机构数字化转型、智能化发展
2021年3月,我国发布了《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》,提出“数字中国”与数字化转型路径。2021年12月和2022年1月,两份关于银行数字化转型的重量级指导文件——中国人民银行的《金融科技发展规划(2022—2025年)》和银保监会的《关于银行业保险业数字化转型的指导意见》先后印发,指导以商业银行为代表的各类金融机构的数字化转型、智能化发展,金融科技逐步迈入高质量发展的新阶段。
“数字化转型”
2021.11《关于银行业保险业数字化转型的指导意见》对数字化转型工作的整体框架进行了明确定义,对银行保险机构在开展转型工作中需重点关注的事项作了全面要求。
2021.12《金融科技发展规划(2022-2025年)》提出在保障安全和隐私前提下推动数据有序共享与综合应用。
2021.12《“十四五”数字经济发展规划》在创新数据要素开发利用机制中提到:在确保数据安全、保障用户隐私的前提下,调动行业协会、科研院所、企业等多方参与数据价值开发。
2021.03《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》第五篇为专门的数字化章节,介绍了数字化转型的内涵和对数字化发展的各方面要求。
产品介绍
隐私计算
数据流通是释放数据价值的关键环节,隐私计算技术为数据流通提供了解决方案。隐私计算在保障数据安全的前提下,充分释放数据潜在价值和效益,成为数据合规可行的“技术解”。
该引擎隐私计算模块除了包含联邦学习建模服务,还升级了产品整体架构升级、集成了主流隐私计算平台打造了互联互通的生态、提升了跨域数据校验等自研算法的性能。
建模平台
该引擎建模平台是集数据源管理、一键建模、拖拉拽建模、专家建模、系统管理于一体的全生命周期可视化建模平台。
模型管理
该引擎模型管理平台支持本地模型和隐私计算模型两大类模型的管理。其包含模型管理、模型发布、模型监控等功能,可实现对本地和隐私计算模型进行统一集中的管理;完善模型工作流程,降低操作风险;帮助企业快速实现数据模型的应用与管理目标。
产品创新
平台融合
该引擎通过对建模平台、模型管理和隐私计算进行研发、建设、整合,实现了三大平台之间的融合;同时,传统机器学习与隐私计算技术相结合,实现了本地模型与联邦模型的集成,达到补充数据源、增强模型效果的目的。
算法创新
通过业务实践,光大科技研发了适应不同金融场景的创新算法。例如,在保证数据安全的前提下,利用自研算法可验证秘密共享(VSS)实现跨机构联邦统计,可联合多个参与方计算出客户的总资产,以挖掘潜力客户,指导进一步业务开展。跨域数据校验算法,可以在不泄露各方数据的前提下,有效利用数据源,实现跨域数据安全比对,实现数据的校验目标。基于不经意传输(Oblivious Transfer,OT)的匿踪查询,能保证在数据查询过程中数据接收方和发送方双方的数据安全。
互联互通
在本地建模过程中,成型的模型需要结合决策引擎共同发挥业务决策作用,该引擎可以有效支持多种决策引擎的集成与对接。其次,随着隐私计算技术的发展,为打通因技术差异造成的壁垒,避免形成“计算孤岛”,特别是作为数据流通产业的基础建设,不同隐私计算平台之间的互联互通已经成为业内共识。同时,该引擎以互联互通为目标,实现联邦学习、多方安全计算等隐私计算技术的整合,并设计了互联互通的标准,在已有平台上叠加可管可控的跨平台功能,来实现数据流通基础设施的一种递进式扩展,与其它平台进行有效对接。
典型案例
该引擎现已在某大型金融控股集团、某金融机构和某政务机构等多个业务场景中得到验证。
某大型金融控股集团数据共享
在数据治理、数据协同、数据安全和数据信任等基础上,某大型金控集团依托联邦学习、多方安全计算等先进技术,搭建数据共享智能体系,实现价值赋能。通过产品赋能协同营销、联合风控以及生态连通。
在监管要求的背景下,该客户无法直接得到客户资产明细进行统计。该引擎在不泄露各个机构数据信息的情况下,统计各机构的客户总量、交叉客户量、共同客户量、迁徙客户量等指标。为推动金控集团内部协同发展,加强银行、保险、信托、证券等业务联动,促进客户协同营销,通过产品隐私计算技术统计出共同客户数、客户迁徙数等协同类指标,同时打通金控集团的客户资产视图,实现内部高净值客户的共享,形成高净值客户管理能力的叠加,实现整个金控集团高净值客户总数增长。
某金融机构建模和管理平台
为了更好的满足业务发展需要,满足监管要求,有效提升风险管理能力,某金融机构通过使用该引擎将数据智能模型进行集中统一管理,对模型开发、验证、部署、评价、退出进行全流程管理,并提供专业支撑,避免多个引擎重复建设。
建模平台内搭载目前金融领域机器学习主流算法和隐私计算建模服务,支持点击式生成模型、拖拉拽流程建模、人工模型调参,自动生成高可解释性的模型开发报告,提供易用、易读的模型全流程功能,提高模型开发与迭代的工作效率。模型管理平台具备“本地+联邦”的模型管理、模型发布与生产模型监控等功能,可实现对模型服务进行统一集中管理,完善模型工作流程,降低操作风险。
某政务机构跨域数据校验
金融智能的发展依赖于数据的准确性,通过与政务数据进行比对来了解已有数据的精确度是一种有效校验方式。在查询方数据与数据源方数据进行比对校验的过程中,数据的保密性与安全性需要得到保障。该引擎通过在不泄露各方原始数据的前提下,有效利用数据源方数据,针对指定字段,为查询方的企业客户数据提供与数据源方对应数据的比对功能,并提供在一定阈值内的容忍度,提升金融智能的准确性及完备性,查询方可依据各字段的数据校验结果,掌握客户信息的精确度。
|
|
