互联网时代，企业生产、管理，运营过程的数字化已经在许多行业逐步实现，数据的积累和数据价值的挖掘成为目前关注的重点。如何在使用过程中保障数据的安全，保障个人隐私不被泄露，禁止未授权数据被不当地传播、存储和使用成为了难题。

　　针对当前越来越突出的“数据孤岛”问题，百融云创也在业内号召并率先探索“联邦学习”模式。这是一种加密的分布式机器学习技术，能够使各个企业的自由数据在不出本地的情况下，通过加密机制交换数据，即在不违反数据隐私法规的前提下，建立虚拟共有模型，仅为本地目标服务。

　　当前金融信贷业务中往往受限于数据不够丰富，在数据可解释性及稳定性、风控模型效果、风险策略和获客成本等层面面临诸多挑战，百融云创借助联邦建模，把“碎数据”和“数据孤岛”连接起来，解决隐私保护下的多方协作问题;可以在保护用户信息不泄露的前提下将更多数据纳入联合风控模型，从而构建更精准的智能风控模型。

　　百融云创利用联邦学习可以帮助金融机构在没有任何模型训练经验的条件下，快速、高效地完成风控模型训练与智能风控体系搭建。这样就可以实现建模工作自动化，降低建模工作的门槛，提高模型开发和部署效率，是企业打造数据驱动的业务模式的利器。除此之外，还可以有效实现用户深度经营与网格化精细管理，根据金融机构的实际需求与业务开展情况，持续提供客制化风控解决方案。

　　人工智能的发展最需要的是数据，使用金融数据最容易暴露的是隐私，而联邦学习是目前产学两界公认的既能解决数据孤岛问题，又能保护数据隐私的最佳解决方法。百融云创通过联邦学习，可以在保证数据安全的同时，整合不同金融机构间强金融属性数据，形成对用户的较为完善动态的描述，这样可以在信贷风控建模、营销客户价值与偏好等领域提升模型效果，促进业务发展，实现降本增效。基于联邦学习的风险量化模型，能通过扩展数据维度，显著改善风险量化能力，进一步提升金融服务对社会大众的可得性。

　　金融领域是技术敏感度最高、数据监管最严苛的行业之一。联邦学习助力数据流动，让数据孤岛联结成网，推动人工智能的进一步发展。百融云创以协作、融合的姿态推动智能化效率的提升，改变金融行业获取数据、搭建AI的方式和门槛，打破行业“巨无霸”的“数据霸权”，释放出更多的数据生产力。