(资料图)

日前，2023年华南区金融行业客户交流会成功举办。会上，可利邦技术总监黄迁表示，隐私计算在金融行业的应用日益广泛，但这些应用只是“冰山一角”，在水面之下需要更为强大的算力和数据底座。

为了推进隐私计算与金融业务场景的融合，打破数据孤岛、释放数据价值，推动多方主体的数据协作，可利邦联合浪潮信息，基于新一代服务器和存储构建了大数据隐私计算平台，解决了数据协同计算过程中的数据安全和隐私保护问题。

2022年1月，中国人民银行印发《金融科技发展规划（2022-2025年）》（以下简称《规划》），提出要“以深化金融数据要素应用为基础，以加快推进金融机构数字化转型为主线”，从健全科技治理体系、夯实数字基础底座等方面精准发力。《规划》提出在技术方面，积极应用多方安全计算、联邦学习、差分隐私、联盟链等技术，探索建立跨主体数据安全共享隐私计算平台，在保障原始数据不出域前提下规范开展数据共享应用，确保数据交互安全、使用合规、范围可控，实现数据可用不可见、数据不动价值动。

国内隐私计算金融应用场景

然而，隐私计算在金融行业落地实践方面，面临多源多态大数据融合和利用挑战。一是隐私计算涉及多元化海量数据、多种应用场景。二是隐私计算数据流通环节多、流动能力强。从数据收集、加工、处理、汇聚融合到使用、报备，设计复杂的数据流转和产业链众多参与方，部分数据还面临跨境流转的挑战。

为了帮助金融客户应对隐私计算应用中的数据挑战，解决数据要素高效共享与流动的挑战，最大化数据价值，可利邦联合浪潮信息共同成立大数据隐私计算实验室，并推出了大数据隐私计算平台，充分发挥各自资源优势，推动隐私计算加速发展。

可利邦和浪潮信息联合打造的大数据隐私计算平台采用“蛋糕式”的分层解耦架构——在硬件部署方面，平台基于微服务或K8S容器化部署，支持多种操作系统、主流数据源和数据服务，支持本地部署专线接入云，可灵活纳管浪潮信息的CPU集群、GPU集群、存储集群、网络设备等硬件设施。在基础层，可利邦的大数据隐私计算平台支持横向、纵向联邦学习，实现多种场景下数据源互联互通，确保原始数据不出域，数据输入、运算、结果输出全流程密态保护。平台层，可利邦采用图形化界面操作便捷、使用门槛低，可以简单高效地完成建模、统计、服务部署任务。同时，平台提供多种模型服务接口，支持信用评分卡、额度定价、黑白名单、用户画像、营销模型等丰富的隐私计算应用。

黄迁表示，通过该平台确保各参与机构在不泄露用户数据前提下，安全合规地进行数据合作，有效减低金融风险。此外，平台利用创新的分布式架构安全连接合作企业，客户可以通过平台的黑白名单共享、用户洞察等功能实现精准化营销。