（三）隱私計算落地金融機構

2021年，隱私計算技術開始在金融機構落地。

1、工商銀行［ 《聯邦學習在工行的實踐》。］

據零壹智庫調研了解，工商銀行已經開始探索聯邦學習技術在金融業務中的應用。

目前，在聯邦學習方面，工商銀行主要在推進以下三方面的工作：

第一，構建聯邦學習技術能力。首先，通過引進成熟產品、完成工商銀行聯邦學習技術平臺的建設。適配工商銀行PaaS 平臺，并與行內現有模型運營、監控管理組件融合。同時，引入FATE開源技術，并加入FATE TSC，打造聯邦學習場景建設專業團隊。

第二，試點聯邦學習業務場景。目前，主要是在數據和模型驅動力強、有對外合作需求的信貸、風控等關鍵業務領域上，逐步試點聯邦學習技術在業務場景上的實踐應用。

第三，推進聯邦學習生態建設。主要是聯合制定金融業聯邦學習標準，推進建立聯邦學習對外合作的常態化機制和聯合場景合作建設模式。

目前，工商銀行的聯邦學習已應用于多個場景。比如引入北京金控的不動產數據，與行內貸款企業的時點貸款余額、注冊資本、賬戶余額等數據聯合建立企業貸中預警監測模型，此聯邦模型提升準召率約4％，從而提升了工商銀行風險監測業務能力。另外，工商銀行也通過聯邦學習與互聯網公司的客戶特征數據完成了聯合建模，并將信用卡申請反欺詐模型的K－S值提升了25．1％。此外，工商銀行還基于聯邦學習在保險營銷場景中的應用打造相應的聯邦建模方案，通過驗證聯邦遷移技術挖掘集團的潛在客戶實現集團客戶向子公司的導流。

圖：工商銀行北京分行探索應用聯邦學習技術案例

資料來源：工商銀行

未來，工商銀行在探索聯邦學習應用方面有兩方面的計劃：

第一，進行開源技術研究。工商銀行計劃在行內搭建FATE平臺，驗證開源技術對億級數據的支持能力。同時，利用開源FATE平臺推進行內實際業務建模場景的測試驗證，對其核心算法分別從論文、源碼進行分析，完成推進圖聯邦相關場景的驗證落地。

第二，計劃將聯邦學習技術應用于更多的場景。

首先，是智能風控場景。引入政務、運營商、企業等多數據源，共同完成風控數據分析、風控模型訓練和風險決策的任務，以節約信貸審核成本，提升信貸風控能力。

其次，是智能營銷場景。融合集團內子公司之間、以及行外數據，在“獲客－促活－留存－轉化－挽留”等核心運營環節實現多維度精準獲客、數據化畫像分析。

再次，是反洗錢場景。在不泄露各自樣本的前提下，充分利用多家合作方的反洗錢樣本，建立訓練效果更好、更穩健的聯邦反洗錢模型，降低罰款和聲譽受損等業務風險。

2、交通銀行

2020年12月15日，上海富數科技有限公司與交通銀行總行正式簽署技術服務合同，富數科技將成為交通銀行金融科技戰略合作伙伴。雙方將聯手建設具有交行特色的多方安全計算系統平臺、積極參與行業技術標準論證和修訂，解決金融大數據內外融合協作中的隱私保護和數據安全問題，為普惠金融、數字金融等業務場景提供安全可控的聯合建模、聯合計算和聯合查詢統計。

3、招商銀行

到目前為止，零壹智庫得知的招商銀行在隱私計算方面的探索，主要集中在落地的產品上。

例如，2021年5月11日，招商銀行深圳分行發布“深信貸”產品，這也是招商銀行首個運用聯邦學習技術的貸款產品。“深信貸”是深圳市場監督管理局和招商銀行深圳分行專門面向小企業推出的融資產品，旨在運用信用信息促進解決小企業融資難、融資貴難題。企業只要符合“三有”條件，即“有誠信、有經驗、有納稅”，就可以在招商銀行官網、深圳信用網等線上渠道申請深信貸。這款產品的風險控制，是由招商銀行深圳分行與深圳市公共信用中心對接系統和模型數據來做的，聯邦學習技術可在招商銀行深圳分行和深圳市公共信用中心部署子模型，無需各數據方披露底層數據即可進行聯合運算。

4、光大銀行

2021年8月，光大銀行成為國內金融業首個把企業級數據流通基礎設施平臺 — 多方安全計算平臺投入生產使用的銀行，積極探索數據安全流通與融合應用的新實踐。

該平臺由華控清交承建。基于隱匿查詢、聯合統計、聯合建模等平臺功能。光大銀行多方安全計算平臺可以有效推動集團內數據、行內數據、以及外部企業數據的安全融合，解決上述過程中明文數據獲取困難、數據保護困難和數據使用合規困難等棘手問題。

應用方面，平臺可以用于聯合營銷、聯合風控、統一授信、業務合規等多領域，如幫助光大銀行與合作機構開展多方數據安全聯合建模，提升精準營銷能力；在不暴露客戶信息的情況下進行聯合統計，開展客戶綜合管理；在保護銀行查詢意圖和客戶信息安全的情況下，向數據服務方查詢數據，獲得匹配結果等。

5、平安銀行

平安科技的蜂巢聯邦智能平臺。它由平安科技聯邦學習技術團隊完全自主研發，圍繞聯邦學習、聯邦數據部落、聯邦推理、聯邦激勵機制為核心而建設的聯邦智能生態體系，是數據隱私安全保護的商用級解決方案，幫助解決當下數據難題與隱私保護。

蜂巢聯邦智能平臺的核心是保證參與各方的原始數據始終不出本地，通過傳輸模型的梯度和參數的聚合計算來進行共享模型的訓練和迭代，可以大幅度優化模型效果。它允許從跨數據所有者分布的數據中構建集合模型，可被廣泛應用于各種領域，具有安全性、隱私性、合法性的特點，這樣既兼顧了AI的訓練也避免了數據泄露的風險。

與此同時，平安銀行還與京東金融云進行合作探索。雙方聯合開發出跨平臺聯邦建模數據合作安全保護方案，應用于不同聯邦學習平臺之間的實時通信。雙方基于聯邦學習技術進行聯合開發和方案部署，在平安銀行的汽車金融業務的場景實踐中，兩方數據特征無需出庫的前提下，較單方模型效果提升30％以上。

（四）隱私計算在金融營銷領域應用

在金融營銷場景中，隱私計算技術主要被用來合規調用更多的金融機構外部數據，從而將內外部數據結合起來，做更精準的營銷，提升轉化率，這可以幫助金融機構大大節省獲客成本。目前，實踐中已經積累了不少案例。

1、星云Clustar在某大型股份制銀行的營銷項目案例

某大型股份制銀行在其個人信貸營銷業務中，希望達到降低信貸風險的同時合理分配營銷資源的目的，為客戶提供精準信貸服務，并提高客戶的產品體驗。

星云Clustar依托海量安全可信的數據源為該行搭建了聯邦學習模型，并根據該算法模型為客戶評級打分，由此合理分配營銷資源，使該行個人信貸業務的當月營銷轉化率達3．5倍以上，聯邦模型AUC達到0．73，極大地提高了營銷精準率和客戶轉化率。

2、天冕科技助力互金公司提升營銷效果案例

在營銷場景案例上，天冕科技助力某頭部互金公司提升營銷效果，因為其存在單獨使用現存自有數據特征或者對方評分只能達到收支平衡，而且使用線下聯合建模方式容易泄露用戶數據的風險。在使用聯邦學習方式進行聯合建模之后，應用所得模型對已注冊但未曾進件的老客戶進行綜合評分，對前10％評分高的用戶營銷后，模型KS提升11％，每期營銷收入增加65萬。

圖：天冕科技助力某頭部互金公司聯合營銷案例

資料來源：天冕科技、零壹智庫

（五）隱私計算在風控領域應用

在金融風控場景中，基于同樣的原理，由于可以應用隱私計算技術將金融機構內部和外部的數據聯合起來進行價值挖掘，金融機構就可以更好地識別風險，從而提升風險控制的效果，降低風險、提升收益。

1、天冕科技與金融機構聯合風控案例

目前，在用戶側，天冕科技已經與10多家金融機構建立了合作，合作的內容主要是聯合數據提供方，在各方數據不出私域的情況下，進行聯合風控建模和聯合營銷。

比如，在風控場景上，WeLab匯立集團采用線上聯邦學習系統，篩選了多家數據征信公司相關性較高的特征，進行聯合建模，建立一個泛化能力更強的模型，取得了更好的效果。KS提高5％，壞賬有所下降。

圖：天冕科技聯合風控案例圖

資料來源：天冕科技、零壹智庫

在場景應用中，天冕科技的顯著優勢在于場景經驗豐富。比如，在金融風控場景中，隱私計算技術的提供商首先需要讓金融機構合作伙伴知道，哪些數據和算法對業務是最有用的。此外，在應用方面還有很多操作細節，比如在數據方面，不僅需要知道哪些類型的數據最有用，還需要知道哪些數據提供商的數據最好用，這些數據應該用在什么地方。這是需要用長時間的實踐和教訓才能換來的經驗。豐富的場景經驗，可以讓合作伙伴將時間和資金投入最能提升業務效果的方向，從而真正讓業務跑起來，見到實效。

2、瑞萊智慧應用隱私計算幫助銀行提升反欺詐效果案例

（1）業務背景

近年來，基于機器學習的大數據反欺詐風控技術迅猛發展，大部分銀行均構建了交易實時反欺詐系統，通過結合專家規則與機器學習模型來甄別欺詐交易與行為。但隨著黑產行業的智能化與集團化，跨行業欺詐逐漸成為常態，單次欺詐行為貫穿社交媒體、銀行多個環節，各機構基于自身數據無法應對，例如在社交欺詐場景中，社交企業掌握黑客針對用戶的撒網、信任欺詐等行為的特征，銀行側掌握受害者向黑客轉賬以及后續資金轉移等特征，但兩方的特征數據均不足以對欺詐行為進行有效識別。

在此背景下，如何在有效保護數據隱私的前提下，幫助企業合法合規地利用內外部數據，豐富樣本數據特征維度，構建更加精準的反欺詐風控模型，提升反欺詐能力，是當前各類銀行機構亟待解決的問題。

（2）解決方案

為了應對以上痛點，瑞萊智慧提供了“數據＋平臺＋模型”的一體化隱私計算解決方案，幫助銀行安全合規的實現與外部機構的跨行業數據鏈接，基于金融特征、交易特征、行為特征和干系人特征等信息構建反欺詐模型，實現更精準有效的欺詐甄別。              

圖：瑞萊智慧RealSecure平臺銀行部署解決方案

具體實施中，銀行方通過部署RealSecure平臺節點，快速接入包括運營商、設備、支付類數據等在內的多類外部數據源，極大的豐富了樣本特征維度。同時通過縱向聯邦的方式，基于行方準備的反欺詐樣本數據，首先通過RealSecure的PSI功能（不同企業之間持有各自集合的兩方來共同計算兩個集合的交集運算，在協議交互的最后，一方或雙方得到正確的交集數據，而不在交集里的一方數據，另一方無法得到任何信息，這樣就保證了雙方的數據安全）與外部數據源進行隱私求交，獲取多方的交集客戶信息，在銀行客戶三要素信息不出庫的同時，完成銀行與數據源之間的樣本對齊。然后，運用RealSecure提供特征工程與模型訓練模塊，完成反欺詐模型訓練與調優工作。

圖：RealSecure平臺縱向聯邦示意圖

（3）方案效果

效果方面，該方案幫助銀行安全合規地引入支付行為、設備信息、社交習慣等多類外部數據，大幅提升了模型的準確性和效率，隱私計算模式下構建的反欺詐模型AUC可達到0．82，KS達到0．48，效果較大提升。 同時基于編譯器引擎，隱私保護算法構造速度指數級提升，系統整體運行速度達到業內典型架構模式的20～40倍，在實施難度、系統效率、安全可視等方面滿足工程、業務、運維、安全等各方面綜合需求，具備成熟的商用推廣模式。

3、金智塔科技在小微、科創企業授信方面取得突破

2015年前后開始，金融科技領域的應用更多集中于面向個人消費者的消費金融應用，在小微金融方面的嘗試從2019年起剛剛起步，現在仍在探索階段。目前，應用隱私計算技術，金智塔科技在小微金融的風控方面目前已經開始取得突破。

在數據隱私保護的背景下，銀行對科技型中小企業的信貸支持工作受到挑戰。與大型企業相比，中小微企業往往規模小、資金少，尤其是科創型企業，其“重智力、輕資產”的特點使得抵押資產較少，因此，銀行對科技型中小企業授信必須得到更多維度的數據支持。政府數據、企業數據成為授信業務最可靠的數據補充，然而行政部門雖然存儲了豐富的企業數據，但基于隱私保護的要求，無法將原始數據對銀行輸出，信貸支持工作面臨困局。

以杭州市某區域內小微、科創企業特點痛點為例，區內存續企業122940家，其中小微企業10萬余家，科創企業6000余家，大量企業均面臨金融服務困境。困境主要由以下原因造成：第一，企業財務不規范、信息分散，銀行不能直接通過數據獲取企業真實經營情況，致使貸款申請難；第二，企業資金少、凈資產不足、規模小，企業基于生產需要申請貸款，銀行主要以企業凈資產來進行授信，致使貸款額度滿足難；第三，科創企業重智力，輕資產；經營團隊學歷高能力強，擁有多項專利，銀行缺少評估方法和手段，致使有效資產評估難；第四，企業抵押資產較少，銀行發放貸款需要擔保，致使貸款擔保難。

針對域內小微企業以及小微企業融資產品的發展實際，某商業銀行基于“金智塔隱私計算平臺”，融合政府部門開放數據、行內數據、第三方商業數據，通過聯邦學習與多方安全計算解決數據孤島和用戶隱私保護難題，研發了面向全域小微、科創企業的在線智能授信解決方案。該方案基于多方數據，實現企業智能分類；通過數據驅動，實現在線、多維度建模，智能化授信；優化信貸流程，貸款線上一鍵申請，線下便捷用信，有效解決小微、科創企業貸款申請難、資產評估難、額度滿足難等問題，并提升企業貸款可獲得性和便利性。

圖：金智塔隱私計算平臺智能授信應用場景示例

在該智能授信項目實踐中，基于“金智塔隱私計算平臺”的聯合智能授信方案設立準入評估、成長力評估、風險評估、授信額度估算等各類模型。小規模納稅人授信模型以企業實際應稅銷售額、實有凈資產和納稅額為基礎，結合行業特點，充分考慮企業發展需求，合理配置參數，實現對小規模納稅人的在線智能授信。一般納稅人授信模型則以企業實際應稅銷售額、實有凈資產和納稅額為基礎，結合企業流動資產周轉率、資產負債率等指標，合理配置參數，實現對一般納稅人企業的在線智能授信。

為解決對科創企業重智少資的授信難題，國內各銀行處于起步探索階段等問題，金智塔自主研發了以企業生命周期模型、企業成長力模型、知識產權估價模型為核心的授信模型，實現數據驅動的科創企業智能授信。

圖：金智塔科技數據驅動的科創企業智能授信模型

在功能完善的基礎上金智塔聯合智能授信平臺展示出四大特色：全域、數字、智能、便捷。全域是指覆蓋所有的小微和科創企業，全面普惠；數字是指貸款申請及授信全流程采用線上化，數字驅動；智能是指利用大數據和人工智能技術，實現智能決策；便捷是指線上一鍵申請、線下一次簽約、最多跑一次。

該平臺通過試點小微及科創企業大數據智能授信服務場景，打通數據部門、銀保機構、第三方數據服務商等多家單位，完成小微及科創企業聯合授信、聯合風控及聯合營銷建模。實現科創企業成長力評估、中小企業風險評估、行業景氣指數、房產估值等多個應用，目前已覆蓋近20余萬家企業數據，為企業實現智能在線授信、用戶便捷用信，授信額度提升百萬元，幫助企業降低50％以上融資成本，推動金融機構與企業數字經濟發展。2020年起在金融領域實踐中，在省有關部門指導框架下相繼完成多個銀行重大開發項目。