近年来，国家相继出台多项政策，明确了数据要素的基础性、战略性地位，要求加强数据资源整合、应用与安全管理，提升数据资源价值。金融业作为数据密集型行业，积极落实国家政策，深化研究数据管理机制、深度挖掘数据内在价值、深入做好数据安全保护，为金融装上数据引擎，实现多向赋能。
但是在AI落地金融行业的过程中，传统机器学习架构难以保证数据安全，为了应对数据隐私保护难题，打破数据孤岛的现实困难，满足数据联合融合使用的迫切需要，百融云创也在业内号召并率先探索“联邦学习”模式。
据了解，联邦学习是一种加密的分布式机器学习技术，可实现各个企业自有数据不出本地，通过加密机制下的参数交换方式，建立一个虚拟的共有模型，最终通过联合建模提升模型的效果。联邦学习技术的提出有效回应了如何有效利用用户终端上的数据进行 AI 模型训练，而又不侵犯用户的数据隐私的问题。当前，联邦学习现在已成为新一代人工智能最重要的技术范式之一，同时又启发了企业之间跨越 AI 落地的数据鸿沟的一种崭新方式。
百融云创利用“联邦学习”，创新性地设计了一种新的人工智能实现模式，承接了传统人工智能解决问题的能力，更为重要的是，“联邦学习”开创了一种面向数据隐私保护的机器学习新范式，且在这种新的框架下，“联邦学习”各参与方通过“联邦学习”机制实现了多赢的局面，也为金融行业人工智能技术的应用提供了一种新的应用前景。
百融云创探索的“联邦学习”模式，不仅可以增加行业内可用数据的总量，解决现存数据孤岛的问题;而且对金融机构而言，使用联邦学习能简单、合法且低成本的获取外部有效的数据信息，快速解决某些因数据量或数据维度不足而导致的困扰，并且不会造成合作机构间数据或商业机密的泄露。
规范数据使用可以在汇聚更多数据的基础上迎来价值挖掘的下一个爆发点，带动 AI 的数据基础设施进步，隐私计算未来
