创略科技：重构企业增长势能-2021零售行业营销自由白皮书（34页）.pdf

1、传统的中心化 AI 往往是把所有的数据汇聚到一个云或者数据中心，基于处理后的数据进行大量的计算，产出预测，从而运用到具体的应用场景中。联邦学习从某种意义上而言正好相反，AI 本身在参与方自己的设备、数据中心，或边缘上去产出计算结果，利用本地数据训练模型，将需要更新的参数同步回到一个中心节点，在平均其模型结果后，再将新的训练模型分发到各个不同的参与者。在联邦学习的机制下，参与者不需要牺牲底层数据隐私，就可以同时实现比较大规模的 AI、机器学习的应用场景。区块链是用一种分布式的方式来运行 AI 系统的复杂网络，整个网络就好比大脑，而网络中运行的不同 AI 节点，就好比脑区。即使大脑不控制人体内的每

2、个系统，但基于分布式区块链的网络同样可以为 AGI(人工智能)的协调开发创造了一个动态平台。在这个动态平台上，每个 AI 节点都可以调用其他 AI 节点的模块和工具包。此外，对于网络攻击者来说，攻击整个分布式网络比攻击个别 AI 系统更安全，分布式 AI 系统也会更安全。区块链技术可以帮助企业各方在去中心化 AI 体系中，创造一系列的自动化透明管理，信任以及治理机制。在联邦学习过程中的参与者(企业或组织)都是主角，在一个严格的机制创建信任环境中，这一过程也未必需要一个中心化主导方。这个所谓的机制在联邦学习场景下，可以理解是由应用区块链技术提供的智能合约体系完成的。智能合约技术能使一个业务流程或

3、交易在无中心主导方或担保方的情况下，有一个透明、去中心化以及自动化的管理机制，来消除参与者之间信任程度的风险要素。在联邦学习场景的应用中，可以采取投票机制，由联盟各方共同确认每个共享结果的质量，这样就可以有效地减少学习体系中不被信任的第三方以伪造的、有疑问的数据破坏整体洞察结果的情况发生。差异隐私是一种统计技术，允许公司收集和共享有关用户习惯的汇总数据，同时保护个人用户的隐私。差异隐私算法在收集阶段将随机数据插入原始数据集中，以在单个数据点在服务器上进一步匿名之前对其进行屏蔽。然后广告商会获得近似数据集，他们可以用这些数据集来回答问题，而不会损害任何人的隐私。营销人员需要保证个人数据信息的安全

4、，同时获得准确和有用的数据以了解人们如何对活动做出反应。这就是差异隐私在帮助营销行业实现监管合规方面发挥作用的地方。然而，这种技术不能应用于小数据集，其中添加的噪声可能会使推断的信息在很大程度上不准确差异隐私在大型数据集上效果最好，但除非结合联邦学习等其他方法，否则很难大规模使用。差异隐私、联邦学习与区块链技术混合使用，企业将拥有一个完美的隐私合规模型，用于数据收集、聚合和分析，并保证引入系统的所有数据点都是真实的和可验证的。这三种技术构成的解决方案，一个分布式数据管理平台，可以安全地聚合来自参与品牌的高质量第一方数据。借助此类技术，营销人员可以继续利用用户数据提供相关且有意义的营销信息，以维

5、持品牌完整性和品牌忠诚度，同时遵守相关数据隐私框架。联邦学习解决方案主要被应用在金融、医疗保健和生命科学、零售和电子商务、能源和公用事业、制造业以及其他垂直领域(电信和 IT、媒体和娱乐以及政府)。联邦学习在零售业的一个显著优势是创建差异模型，该模型基于当地的业态、地理区域、竞争甚至气候特征，主要使用当地渠道收集的知识，但也使用其他商店收集的知识。联邦学习融合区块链技术应用到智能营销领域，旨在帮助企业客户在安全合规的前提下，获得更加深刻、全面的客户洞察。很多行业的 B to C 企业，可以基于自身第一方的私域数据体量，通过数据分析与沉淀来获得有关客户的标签洞察。但在有限的私域数据之外的洞察，或

6、缺乏渠道，或需要购买第三方数据，再经过 ID 匹配后获取更多数据洞察。通过这样的方式获得的市场用户洞察存在显而易见的缺陷，一方面是私域数据的体量不足以支撑得出深度分析结果，浅尝辄止;另一方面是第三方的数据来源及准确性难以保证。基于联邦学习不需要分享数据本身，也能完成机器学习目标的优势，联邦学习应用在营销场景，帮助企业实现私域数据以外的全面洞察。在联邦学习模式下，数据资源互补的各方不需要把数据汇集到中心化的体系，而是在参与方自己的设备或者数据中心通过 AI 算法产出数据洞察和预