（三）隐私计算落地金融机构

2021年，隐私计算技术开始在金融机构落地。

1、工商银行［ 《联邦学习在工行的实践》。］

据零壹智库调研了解，工商银行已经开始探索联邦学习技术在金融业务中的应用。

目前，在联邦学习方面，工商银行主要在推进以下三方面的工作：

第一，构建联邦学习技术能力。首先，通过引进成熟产品、完成工商银行联邦学习技术平台的建设。适配工商银行PaaS 平台，并与行内现有模型运营、监控管理组件融合。同时，引入FATE开源技术，并加入FATE TSC，打造联邦学习场景建设专业团队。

第二，试点联邦学习业务场景。目前，主要是在数据和模型驱动力强、有对外合作需求的信贷、风控等关键业务领域上，逐步试点联邦学习技术在业务场景上的实践应用。

第三，推进联邦学习生态建设。主要是联合制定金融业联邦学习标准，推进建立联邦学习对外合作的常态化机制和联合场景合作建设模式。

目前，工商银行的联邦学习已应用于多个场景。比如引入北京金控的不动产数据，与行内贷款企业的时点贷款余额、注册资本、账户余额等数据联合建立企业贷中预警监测模型，此联邦模型提升准召率约4％，从而提升了工商银行风险监测业务能力。另外，工商银行也通过联邦学习与互联网公司的客户特征数据完成了联合建模，并将信用卡申请反欺诈模型的K－S值提升了25．1％。此外，工商银行还基于联邦学习在保险营销场景中的应用打造相应的联邦建模方案，通过验证联邦迁移技术挖掘集团的潜在客户实现集团客户向子公司的导流。

图：工商银行北京分行探索应用联邦学习技术案例

资料来源：工商银行

未来，工商银行在探索联邦学习应用方面有两方面的计划：

第一，进行开源技术研究。工商银行计划在行内搭建FATE平台，验证开源技术对亿级数据的支持能力。同时，利用开源FATE平台推进行内实际业务建模场景的测试验证，对其核心算法分别从论文、源码进行分析，完成推进图联邦相关场景的验证落地。

第二，计划将联邦学习技术应用于更多的场景。

首先，是智能风控场景。引入政务、运营商、企业等多数据源，共同完成风控数据分析、风控模型训练和风险决策的任务，以节约信贷审核成本，提升信贷风控能力。

其次，是智能营销场景。融合集团内子公司之间、以及行外数据，在“获客－促活－留存－转化－挽留”等核心运营环节实现多维度精准获客、数据化画像分析。

再次，是反洗钱场景。在不泄露各自样本的前提下，充分利用多家合作方的反洗钱样本，建立训练效果更好、更稳健的联邦反洗钱模型，降低罚款和声誉受损等业务风险。

2、交通银行

2020年12月15日，上海富数科技有限公司与交通银行总行正式签署技术服务合同，富数科技将成为交通银行金融科技战略合作伙伴。双方将联手建设具有交行特色的多方安全计算系统平台、积极参与行业技术标准论证和修订，解决金融大数据内外融合协作中的隐私保护和数据安全问题，为普惠金融、数字金融等业务场景提供安全可控的联合建模、联合计算和联合查询统计。

3、招商银行

到目前为止，零壹智库得知的招商银行在隐私计算方面的探索，主要集中在落地的产品上。

例如，2021年5月11日，招商银行深圳分行发布“深信贷”产品，这也是招商银行首个运用联邦学习技术的贷款产品。“深信贷”是深圳市场监督管理局和招商银行深圳分行专门面向小企业推出的融资产品，旨在运用信用信息促进解决小企业融资难、融资贵难题。企业只要符合“三有”条件，即“有诚信、有经验、有纳税”，就可以在招商银行官网、深圳信用网等线上渠道申请深信贷。这款产品的风险控制，是由招商银行深圳分行与深圳市公共信用中心对接系统和模型数据来做的，联邦学习技术可在招商银行深圳分行和深圳市公共信用中心部署子模型，无需各数据方披露底层数据即可进行联合运算。

4、光大银行

2021年8月，光大银行成为国内金融业首个把企业级数据流通基础设施平台 — 多方安全计算平台投入生产使用的银行，积极探索数据安全流通与融合应用的新实践。

该平台由华控清交承建。基于隐匿查询、联合统计、联合建模等平台功能。光大银行多方安全计算平台可以有效推动集团内数据、行内数据、以及外部企业数据的安全融合，解决上述过程中明文数据获取困难、数据保护困难和数据使用合规困难等棘手问题。

应用方面，平台可以用于联合营销、联合风控、统一授信、业务合规等多领域，如帮助光大银行与合作机构开展多方数据安全联合建模，提升精准营销能力；在不暴露客户信息的情况下进行联合统计，开展客户综合管理；在保护银行查询意图和客户信息安全的情况下，向数据服务方查询数据，获得匹配结果等。

5、平安银行

平安科技的蜂巢联邦智能平台。它由平安科技联邦学习技术团队完全自主研发，围绕联邦学习、联邦数据部落、联邦推理、联邦激励机制为核心而建设的联邦智能生态体系，是数据隐私安全保护的商用级解决方案，帮助解决当下数据难题与隐私保护。

蜂巢联邦智能平台的核心是保证参与各方的原始数据始终不出本地，通过传输模型的梯度和参数的聚合计算来进行共享模型的训练和迭代，可以大幅度优化模型效果。它允许从跨数据所有者分布的数据中构建集合模型，可被广泛应用于各种领域，具有安全性、隐私性、合法性的特点，这样既兼顾了AI的训练也避免了数据泄露的风险。

与此同时，平安银行还与京东金融云进行合作探索。双方联合开发出跨平台联邦建模数据合作安全保护方案，应用于不同联邦学习平台之间的实时通信。双方基于联邦学习技术进行联合开发和方案部署，在平安银行的汽车金融业务的场景实践中，两方数据特征无需出库的前提下，较单方模型效果提升30％以上。

（四）隐私计算在金融营销领域应用

在金融营销场景中，隐私计算技术主要被用来合规调用更多的金融机构外部数据，从而将内外部数据结合起来，做更精准的营销，提升转化率，这可以帮助金融机构大大节省获客成本。目前，实践中已经积累了不少案例。

1、星云Clustar在某大型股份制银行的营销项目案例

某大型股份制银行在其个人信贷营销业务中，希望达到降低信贷风险的同时合理分配营销资源的目的，为客户提供精准信贷服务，并提高客户的产品体验。

星云Clustar依托海量安全可信的数据源为该行搭建了联邦学习模型，并根据该算法模型为客户评级打分，由此合理分配营销资源，使该行个人信贷业务的当月营销转化率达3．5倍以上，联邦模型AUC达到0．73，极大地提高了营销精准率和客户转化率。

2、天冕科技助力互金公司提升营销效果案例

在营销场景案例上，天冕科技助力某头部互金公司提升营销效果，因为其存在单独使用现存自有数据特征或者对方评分只能达到收支平衡，而且使用线下联合建模方式容易泄露用户数据的风险。在使用联邦学习方式进行联合建模之后，应用所得模型对已注册但未曾进件的老客户进行综合评分，对前10％评分高的用户营销后，模型KS提升11％，每期营销收入增加65万。

图：天冕科技助力某头部互金公司联合营销案例

资料来源：天冕科技、零壹智库

（五）隐私计算在风控领域应用

在金融风控场景中，基于同样的原理，由于可以应用隐私计算技术将金融机构内部和外部的数据联合起来进行价值挖掘，金融机构就可以更好地识别风险，从而提升风险控制的效果，降低风险、提升收益。

1、天冕科技与金融机构联合风控案例

目前，在用户侧，天冕科技已经与10多家金融机构建立了合作，合作的内容主要是联合数据提供方，在各方数据不出私域的情况下，进行联合风控建模和联合营销。

比如，在风控场景上，WeLab汇立集团采用线上联邦学习系统，筛选了多家数据征信公司相关性较高的特征，进行联合建模，建立一个泛化能力更强的模型，取得了更好的效果。KS提高5％，坏账有所下降。

图：天冕科技联合风控案例图

资料来源：天冕科技、零壹智库

在场景应用中，天冕科技的显著优势在于场景经验丰富。比如，在金融风控场景中，隐私计算技术的提供商首先需要让金融机构合作伙伴知道，哪些数据和算法对业务是最有用的。此外，在应用方面还有很多操作细节，比如在数据方面，不仅需要知道哪些类型的数据最有用，还需要知道哪些数据提供商的数据最好用，这些数据应该用在什么地方。这是需要用长时间的实践和教训才能换来的经验。丰富的场景经验，可以让合作伙伴将时间和资金投入最能提升业务效果的方向，从而真正让业务跑起来，见到实效。

2、瑞莱智慧应用隐私计算帮助银行提升反欺诈效果案例

（1）业务背景

近年来，基于机器学习的大数据反欺诈风控技术迅猛发展，大部分银行均构建了交易实时反欺诈系统，通过结合专家规则与机器学习模型来甄别欺诈交易与行为。但随着黑产行业的智能化与集团化，跨行业欺诈逐渐成为常态，单次欺诈行为贯穿社交媒体、银行多个环节，各机构基于自身数据无法应对，例如在社交欺诈场景中，社交企业掌握黑客针对用户的撒网、信任欺诈等行为的特征，银行侧掌握受害者向黑客转账以及后续资金转移等特征，但两方的特征数据均不足以对欺诈行为进行有效识别。

在此背景下，如何在有效保护数据隐私的前提下，帮助企业合法合规地利用内外部数据，丰富样本数据特征维度，构建更加精准的反欺诈风控模型，提升反欺诈能力，是当前各类银行机构亟待解决的问题。

（2）解决方案

为了应对以上痛点，瑞莱智慧提供了“数据＋平台＋模型”的一体化隐私计算解决方案，帮助银行安全合规的实现与外部机构的跨行业数据链接，基于金融特征、交易特征、行为特征和干系人特征等信息构建反欺诈模型，实现更精准有效的欺诈甄别。              

图：瑞莱智慧RealSecure平台银行部署解决方案

具体实施中，银行方通过部署RealSecure平台节点，快速接入包括运营商、设备、支付类数据等在内的多类外部数据源，极大的丰富了样本特征维度。同时通过纵向联邦的方式，基于行方准备的反欺诈样本数据，首先通过RealSecure的PSI功能（不同企业之间持有各自集合的两方来共同计算两个集合的交集运算，在协议交互的最后，一方或双方得到正确的交集数据，而不在交集里的一方数据，另一方无法得到任何信息，这样就保证了双方的数据安全）与外部数据源进行隐私求交，获取多方的交集客户信息，在银行客户三要素信息不出库的同时，完成银行与数据源之间的样本对齐。然后，运用RealSecure提供特征工程与模型训练模块，完成反欺诈模型训练与调优工作。

图：RealSecure平台纵向联邦示意图

（3）方案效果

效果方面，该方案帮助银行安全合规地引入支付行为、设备信息、社交习惯等多类外部数据，大幅提升了模型的准确性和效率，隐私计算模式下构建的反欺诈模型AUC可达到0．82，KS达到0．48，效果较大提升。 同时基于编译器引擎，隐私保护算法构造速度指数级提升，系统整体运行速度达到业内典型架构模式的20～40倍，在实施难度、系统效率、安全可视等方面满足工程、业务、运维、安全等各方面综合需求，具备成熟的商用推广模式。

3、金智塔科技在小微、科创企业授信方面取得突破

2015年前后开始，金融科技领域的应用更多集中于面向个人消费者的消费金融应用，在小微金融方面的尝试从2019年起刚刚起步，现在仍在探索阶段。目前，应用隐私计算技术，金智塔科技在小微金融的风控方面目前已经开始取得突破。

在数据隐私保护的背景下，银行对科技型中小企业的信贷支持工作受到挑战。与大型企业相比，中小微企业往往规模小、资金少，尤其是科创型企业，其“重智力、轻资产”的特点使得抵押资产较少，因此，银行对科技型中小企业授信必须得到更多维度的数据支持。政府数据、企业数据成为授信业务最可靠的数据补充，然而行政部门虽然存储了丰富的企业数据，但基于隐私保护的要求，无法将原始数据对银行输出，信贷支持工作面临困局。

以杭州市某区域内小微、科创企业特点痛点为例，区内存续企业122940家，其中小微企业10万余家，科创企业6000余家，大量企业均面临金融服务困境。困境主要由以下原因造成：第一，企业财务不规范、信息分散，银行不能直接通过数据获取企业真实经营情况，致使贷款申请难；第二，企业资金少、净资产不足、规模小，企业基于生产需要申请贷款，银行主要以企业净资产来进行授信，致使贷款额度满足难；第三，科创企业重智力，轻资产；经营团队学历高能力强，拥有多项专利，银行缺少评估方法和手段，致使有效资产评估难；第四，企业抵押资产较少，银行发放贷款需要担保，致使贷款担保难。

针对域内小微企业以及小微企业融资产品的发展实际，某商业银行基于“金智塔隐私计算平台”，融合政府部门开放数据、行内数据、第三方商业数据，通过联邦学习与多方安全计算解决数据孤岛和用户隐私保护难题，研发了面向全域小微、科创企业的在线智能授信解决方案。该方案基于多方数据，实现企业智能分类；通过数据驱动，实现在线、多维度建模，智能化授信；优化信贷流程，贷款线上一键申请，线下便捷用信，有效解决小微、科创企业贷款申请难、资产评估难、额度满足难等问题，并提升企业贷款可获得性和便利性。

图：金智塔隐私计算平台智能授信应用场景示例

在该智能授信项目实践中，基于“金智塔隐私计算平台”的联合智能授信方案设立准入评估、成长力评估、风险评估、授信额度估算等各类模型。小规模纳税人授信模型以企业实际应税销售额、实有净资产和纳税额为基础，结合行业特点，充分考虑企业发展需求，合理配置参数，实现对小规模纳税人的在线智能授信。一般纳税人授信模型则以企业实际应税销售额、实有净资产和纳税额为基础，结合企业流动资产周转率、资产负债率等指标，合理配置参数，实现对一般纳税人企业的在线智能授信。

为解决对科创企业重智少资的授信难题，国内各银行处于起步探索阶段等问题，金智塔自主研发了以企业生命周期模型、企业成长力模型、知识产权估价模型为核心的授信模型，实现数据驱动的科创企业智能授信。

图：金智塔科技数据驱动的科创企业智能授信模型

在功能完善的基础上金智塔联合智能授信平台展示出四大特色：全域、数字、智能、便捷。全域是指覆盖所有的小微和科创企业，全面普惠；数字是指贷款申请及授信全流程采用线上化，数字驱动；智能是指利用大数据和人工智能技术，实现智能决策；便捷是指线上一键申请、线下一次签约、最多跑一次。

该平台通过试点小微及科创企业大数据智能授信服务场景，打通数据部门、银保机构、第三方数据服务商等多家单位，完成小微及科创企业联合授信、联合风控及联合营销建模。实现科创企业成长力评估、中小企业风险评估、行业景气指数、房产估值等多个应用，目前已覆盖近20余万家企业数据，为企业实现智能在线授信、用户便捷用信，授信额度提升百万元，帮助企业降低50％以上融资成本，推动金融机构与企业数字经济发展。2020年起在金融领域实践中，在省有关部门指导框架下相继完成多个银行重大开发项目。