WAIC 2019|微众银行CAIO杨强:联邦学习将为AI产业带来全新生态

时间:2019-09-14 来源:www.bvehk.net

2019年8月29日至8月31日,2019年世界人工智能会议(WAIC)在上海世博中心拉开帷幕。作为世界顶级的人工智能合作交流平台,本届WAIC会议将重点关注以“Zilian World Unlimited”为主题的人工智能领域的技术前沿,行业趋势和热门话题。会议聚集了人工智能领域最具影响力的科学家,企业家和相关政府领导人,吸引了50多位学术带头人和100多位行业领袖参加。

其中,微中银行深入参与了WAIC会议的各种议程。魏中银行首席执行官杨强教授8月29日在主论坛,科学前沿,8月30日国际前沿算法分论坛上发表。《人工智能的最后一公里——联邦学习的最新应用》,《人工智能的“先行区”》两次演讲,提出了联邦学习的新解决方案,针对当前人工智能登陆面临的多重挑战,并分享了人工智能领域的最新算法研究。在会议的黑客马拉松中,微中银行举办了“智能垃圾分类挑战”,开发垃圾图片人工智能识别技术,帮助人工智能技术应用在环保领域落地。

人工智能登陆与联邦学习技术的双重挑战

随着人工智能技术的深入开发和落地,许多潜在的问题变得越来越明显。在WAIC会议主要论坛的演讲中,杨强教授提出了人工智能发展面临的双重挑战 - “数据岛”和数据安全问题。在我们看来,“人工智能”通常与“大数据”进行比较,但实际情况是数据以岛屿的形式存在。在法律,金融和医疗等大多数行业中,存在小数据和分散数据。即使同一企业的多个部门具有不同的数据,它们也无法相互通信。此外,《通用数据保护条例》(GDPR)等法规的实施,对数据隐私的保护也越来越严格,而严重依赖数据的机器学习面临着前所未有的困境。

面对这两大挑战,杨强教授分享了“联邦学习”的新概念。作为一种新兴的人工智能技术,“联邦学习”首先由潍坊银行人工智能团队在中国引入。它可以在不共享“数据”的情况下共享“知识”,并通过协作实现联合模型的性能提升。这可以在模型构建过程中保护数据的安全性,从而重振“数据孤岛”并解决数据隐私问题。对于实际应用中的不同场景,魏中银行的AI团队提出了多种类型的“横向联邦学习”,“垂直联合学习”和“联邦移民学习”,其中“联邦移民学习”将“迁移学习”和“联邦学习”。 “融合允许跨机构合作突破行业和数据类型等多种约束。在演讲中,杨强教授详细解释了适用于不同类型联邦学习技术的不同建模方案。

探索协作建模的新规范并建立联邦学习合作生态系统

在完善“联邦学习”理论的基础上,有必要建立企业间协同建模的规范。在WAIC会议主要论坛的演讲中,杨强教授强调了这个问题。他认为,有必要通过建立激励机制和建立共同标准,促进数据所有者参与联邦学习生态共建,使所有参与者都受益于联合模式的合规链,符合数据保护法规。同时享受数据利益,促进联邦学习的进一步研究。

此前,微中银行的人工智能团队正在推动建立联邦学习合作生态学,并在处理人工智能在金融等领域的困难方面取得了成就。微银行AI团队建立了FedAI联盟学习协作生态系统,自主开发并开源了世界上第一个工业级联邦学习框架--FATE(联邦AI技术启动器),使大多数传统算法可以适应联邦学习框架,快速加入联邦学习生态系统。

在提供技术支持的同时,MicroBank AI团队还致力于为联邦学习公司之间的对话建立一种语言。去年12月,由中国银行IEEE联邦学习标准项目启动的第一个人工智能协作技术标准国际项目获得批准。直到今年8月,三次会议才成功举行,有效地促进了联邦学习国际标准草案的制定。杨强教授在会上提到,联邦学习标准的制定将进一步规范联邦学习在各行业的应用,为社会各界合作奠定基础,吸引各界人士参与学术界研究联邦研究的未来。随着登陆申请。

关注人工智能技术的三大要素,推动人工智能产业化

在这次WAIC会议的国际前沿算法子论坛上,杨强教授提出,促进人工智能技术的广泛着陆和实现人工智能产业化的关键在于解决人工智能技术的三大要素 - 面临的困难算法,数据和计算能力。杨强教授在会上解释了三大难题 - “如何实现人工智能算法设计的自动化”,“如何处理人工智能数据的缺失”和“如何设计人工智能计算架构”。

首先,机器学习规模的关键是自动机器学习(AutoML),它实现了AI算法设计的自动化,形成了闭环自动学习机制,减少了人的参与。杨强教授详细阐述了自动机器学习 - 配置空间,配置性能评估和配置优化策略三大要素。如今,隐私保护问题越来越受到关注。在隐私要求的保护下,机器学习算法的效果严重下降,不同组织之间的数据无法直接共享。面对这两个问题,杨强教授特意提出了一种解决方案 - 自动隐私保护迁移学习(AutoPTL),它可以提高基于特征分割和集成学习的学习性能,可以满足差异隐私保护,并支持数据迁移。学习并自动化参数调整,以有效提高AI的应用率和价值。

其次,在实现人工智能产业化的过程中,它将解决数据不足的问题,“迁移学习”可以有效地解决这一难题。迁移学习通过查找数据和模型之间的关系,将大数据的能力迁移到小数据,并实现“三分之一”。杨强教授介绍了移民学习在大规模消费金融领域的应用实例:在微信营销汽车分阶段业务中,移民学习基于全渠道营销数据,帮助汽车分期贷款模式学习,挖掘客户谁有意在不久的将来购买汽车,最终的成功率与SAS车型相比,它增加了200%。

最后,实现人工智能产业化需要解决的第三个问题是需要改进的计算性能。当前不断增长的数据规模对计算能力性能提出了巨大挑战。传统单点计算能力的突破已无法满足需求。在这方面,杨强教授介绍了两种新的高性能计算架构设计--GDR高性能。网络IO技术和新的分布式机器学习网络通信协议MLT。测试结果表明,在AI培训期间,新型高性能计算架构的性能得到显着提升,PS(参数服务器模式)模式下的性能提升了76%,环网性能提升了3倍模式。杨强教授表示,提高计算能力表现在扩展人工智能的整体计算能力方面发挥着越来越重要的作用。除了GDR和MLT之外,更多相关研究也在向前推进,值得关注。

微型银行为智能生活赋权,帮助人工智能技术应用于环境保护领域

除了杨强教授在会上分享的最新前沿观点外,威中银行还在会议的吉祥物马拉松中举行了“智能废物分类挑战”,重点关注当前垃圾分类的社会热点,重点关注基于深度学习技术的图像。构造分类模型以实现垃圾图片类别的准确识别,从而提高垃圾分类的效率。比赛得到了上海绿色空间局的支持。上海市绿化与城市管理局局长钱杰担任比赛评委。上海市绿化管理局副巡视员和魏中银行副总经理徐谦作为颁奖嘉宾颁发了三大奖项。

在本次WAIC会议上,微中银行人工智能团队分享了人工智能领域技术前沿,产业趋势和热点问题的最新研究成果。人工智能的新技术,如联邦学习和新算法正在逐渐成熟并发挥各自的优势。它共同为人工智能技术的广泛着陆和人工智能产业化的实现奠定了重要基础。杨强教授在会上提到:“联邦学习已经成为学术界和工业界人工智能的新趋势。”在这种趋势下,威中银行将继续推广和开放自己的人工智能能力,并将学习联邦人工智能技术促进多领域的商业应用,人工智能是推动多个行业共同发展的动力。

http://www.sugys.com/bdsw/7u