近两年，联邦学习技术发展迅速。作为分布式的机器学习范式，联邦学习能够有效解决数据孤岛问题，让参与方在不共享数据的基础上联合建模，从技术上打破数据孤岛。目前，联邦学习技术在对数据安全有极高要求的金融领域落地居多，并且取得了不错的效果。但是，依旧有不少企业对是否要部署该技术存在疑问，有技术层面的原因，也有对效果的担忧。根据康威定律，技术发展与其组织存在必然联系，联邦学习的技术推动是否也和组织有关系？同样是解决数据问题，联邦学习和数据中台的关系是什么？落地时要如何打通？

数据中台和联邦学习的关系是什么？

不仅是互联网企业，很多传统企业都参与到了数据中台的建设中，基于数据提高企业运营效率。从 Hadoop 集群的开发运维，到构建大数据平台，再到数据中台建设，这是很多大型互联网公司大数据的建设历程。如今，联邦学习同样打着“解决数据孤岛”问题的旗号出现，不免心生疑虑：同样是为了解决数据问题，真的需要这么多东西吗？

数据中台和联邦学习是有本质区别的，联邦学习需要使用数据，而数据的治理和加工需要有数据中台的支持。如果企业中还没有建设好数据中台，那么只要把相关使用到的数据准备好，同样可以支持联邦学习技术应用。简言之，数据中台为联邦学习提供了良好的数据环境。

联邦学习是一种分布式机器学习框架。所谓“联邦学习“，是不同于机构之间拥有独立的数据和独立的模型，联邦学习通过技术手段将机构之间的建模过程联系在一起，同时又保持机构之间的数据独立，在数据不共享的情况下共同建模，提升模型效果，这样就解决了传统手段下数据安全防控的问题。

具体来说，联邦学习通过密码学技术，在数据加密的情况下可以完成数据的安全计算，确保数据的隐私性。技术原理的示意图如下：

在技术细节上，主流的安全计算有 PHE 与 Secure Share。PHE 不需要将数据加密分片共享，减少信息的暴露，但是在训练阶段，PHE 则需要更多的网络传输，不过在 PHE 安全计算协议中，也存在明显的缺点，即延展性攻击风险。

如果企业已经具备数据中台，那么在落地联邦学习的过程中，首先遇到的问题是如何与企业数据中台打通，这涉及数据安全、合规问题，需要确定联邦学习平台的数据范围、数据颗粒度、数据脱敏、加密等问题。其次是机器资源成本问题，企业应利用内外部云计算资源，部署联邦学习所需要的大数据计算资源（实时计算，离线计算），降低机器和维护成本。最后，技术门槛较高，涉及技术众多，例如：密码学、分布式网络与计算，机器学习等，这都增加了联邦学习探索应用的难度。实际应用过程中，也会遇到计算慢的问题。

联邦学习是“一把手”工程吗？

除了技术上的准备，联邦学习在企业内部的推进也会遇到组织问题。任何事物的产生发展都有其背景，人工智能时代，模型训练需要大量的数据，但现实却是数据独立存在于不同机构当中，因为隐私安全等问题难以聚合在一起，难以将数据价值最大化，目前联邦学习未形成行业标准，如：应该采取哪种加密方式，每个项目都是 case by case，所以需要“一把手工程”从公司层面推进解决，做好顶层设计。关于联邦学习的标准，预计还需要一至两年的行业探索与实践，才可以制定出相关的标准与规范。联邦学习大规模落地的核心还是对业务应用产生价值，以智能信贷风控为例，需要建立联邦安全联盟，通过合理的生态机制，引入更多的参与方，从而更全面的刻画用户，提升模型效果，有效识别信用风险，提升业务收益。