自进入互联网时代，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。除了应用自身积累的数据资源外，使用其他企业机构、其他行业有价值的数据自然成为破解难题的方法之一。与之对应的，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传播、存储和使用成为了难题。
联邦学习被视为化解这个难题的绝佳技术。联邦学习(Federated Learning)的本质是一种分布式机器学习技术，可以在不交换数据样本的情况下，在多个分散的边缘设备或服务器上训练算法，以达到在数据“可用不可见”的基础上进行安全联合建模的作用。
在国内，以百融云创为代表的人工智能和大数据应用企业正积极投入联邦学习这一新式算法的研发，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，在不违反数据法规隐私的情况下，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。
同时，百融云创运用联邦机器学习建立的模型，一方面可以实现数据隔离，参与各方的数据不会泄露到外部，满足用户隐私保护和数据安全的需求;另一方面，通过联邦学习能够保证模型质量无损，不会出现负迁移，保证联邦模型比割裂的独立模型效果好。百融云创通过利用联邦学习能够帮助金融机构同时实现补充多方数据和保护数据隐私、企业核心价值的效果，助力数据流动，推动人工智能的进一步发展。
在此基础上，百融云创综合运用隐私集合求交集、联邦学习等算法，以密码学领域的重要理论和技术为依据展开拓展，结合大数据具体应用场景，搭建了适用于多个场景的安全多方计算平台Indra，促进安全多方计算、机器学习等理论研究的落地。同时，以区块链技术为辅，实现数据确权和数据价值流转目标，为数据信息安全保驾护航，为合作方、客户之间提供一种安全、高效的数据合作模式。
不仅如此，百融云创还从技术层面为金融机构提供了更加安全的数据解决方案，实现了对数据自身价值的保护以及对用户隐私授权的保护，解决了跨设备、跨机构间的数据融合问题。未来，百融云创仍会在现有技术和丰富经验的基础上挖掘新的数据增长点，带动金融行业的进步。
