你是否在2019年的Google I/O上听说了Federated Learning（联盟学习）这件事？我们将在7月4日，举办上海第一期的隐私保护下的机器学习训练营。

日程Agenda：

7月4日:

19:00 - 19:30 隐私及安全的机器学习技术介绍 (slides and powerpoint)

19:30 - 19:45 Morten介绍实际案例和做法.

19:45 - 20:00 休息

20:00 - 21:00 实际动手练习和深入教程

嘉宾讲者：

Morten Dahl

Morten是Dropout的联合创始人及研究负责人。Dropout Labs是一家领先的专注于隐私加密人工智能技术的企业。Morten是TF-Encrypted技术的核心开发负责人，并且在Federating learning和Secure computations领域有多年丰富经验。 Morten同时拥有计算机科学硕士和加密学博士学位。

Parsa Alamzadeh，DTALK机器学习专题负责人

Parsa目前就读加拿大Simon Fraser大学和浙江大学计算机系双学位。他是Pysyft的贡献者，并且在浙江大学CCNT Lab做助理研究，专注在图像和物体识别领域。

顾青老师，E-Bizcamp CEO, DTalk创办人

曾负责携程的产品和用户增长。他有超过14年的搜索引擎、互联网用户行为数据和机器学习方面的技术经验，对于如何通过海量数据挖掘来驱动业务决策有丰富的经验，是几十家互联网企业和传统企业数字化转型团队的数据驱动顾问和导师。

黄一能老师， DTALK联合创办人

前TutorABC大数据产品和数据分析负责人，拥有超过10年以上的数据分析、数据挖掘和数据产品规划经验，微软技术专家，专注海量数据和机器学习驱动的决策。

谁适合参加这一期的训练营？

数据科学家和产品经理。

我们在训练营中使用的工作方法其实会很简单，并不会对现有的数据模型有太多的改变，因为基础的模块还是不变的，变化是在训练本身的过程中。

什么是支持数据隐私的机器学习模型？

支持数据隐私的机器学习（Federated Learning）要么对用户设备进行本地训练，要么用采集到的模型上的数据进行再训练，要么将用户数据加密，然后发送到训练意义的标准化模型，因为中心化模型从不直接访问用户的数据。

MPC和Federated Learning用于隐私的人工智能项目。

我们如何使用这个新的技术能力？

§  假设你拥有一家保险公司，并且你所有客户的数据都存储在一个数据库中。现在还有另外两家公司也在保险业，并服务几家医院。每家企业都有一个拥有客户信息的中央数据库。现在，假设你和你的竞争对手希望为保险索赔训练一个模型，并且都需要访问每个人的数据。如果每个企业都共享训练模型的原始数据库，那将是一个非常危险的举动。解决办法是什么？解决的办法是使用MPC。这允许你和你的同行和医院共享数据，而不泄露用户的原始数据(Tensorflow-加密)。这意味着你可以在训练模型的时候不用泄露原始数据；如果有任何一方认为为模型做贡献并不是一个好主意，那么他们可以在不影响模型的情况下离开。

§  另一个用例是，假设你有一个用户集合；你需要他们的数据来训练模型，但是用户不感到安全或者不愿意与你分享他们的数据；但是他们仍然需要个性化的体验；我们要做的是在他们的设备上培训模型，然后使用他们的模型的权重来更新中心模型。然后可以使用内部化的模型来更新每个设备上的本地化模型。这样，我们就不需要使用用户的数据直接训练模型，而是使用在他们的设备上训练的模型来微调模型。

§  这些用例都在金融和医疗健康行业可以实现，而且都已经在苹果和谷歌的手机上实现了。

§  另外一个很重要的使用场景是IOT设备。

为什么现在欧洲和北美的机器学习从业者都在讨论这个话题？

随着保护用户隐私的更严格的规定，如GDPR和CCPA，隐私保护的AI有助于维护以前的模型。

这也可以帮助有较强隐私意识的行业整合机器学习技术，如银行和医疗保健。

当用户知道他们没有直接成为目标，并且他们的数据在整个过程中保持安全时，他们会感觉更安全；一旦他们知道他们的数据不离开他们的设备或在整个过程中保持加密，他们会更愿意分享他们的数据。

它有助于在不共享原始数据的情况下对多个实体进行协作。由于有更多的数据可用于培训，模型可能会更加复杂，执行得更好。

哪些商业企业已经应用了隐私AI技术，并有收益？

谷歌和苹果都在他们的输入法预测中使用了基于公开可用文档的技术。苹果还提到，当他们从设备中**数据用于诊断目的时，他们使用的是隐私的AI技术。这一转变使他们从用户设备中**了更多的数据，同时照顾到了隐私问题。

近年来，随着以隐私为中心的法律和法案的推动，如GDPR和加州的消费者隐私法案（CCPA）。当一些产品成熟并准备在全世界范围内使用时，越来越多的公司越来越遵守隐私法案和法律。联盟学习（Federated Learning）允许从用户的设备**更多的数据，同时保证用户的隐私。这也允许更多的人工智能与医疗保健和金融业融合。

医院和诊所可以利用这项技术与保险公司合作，同时不泄露任何有关病人的信息。或者，银行可以在没有提供客户的银行对账单的情况下，以中心模式一起工作。这一进展将为专家们提供更多的数据，使他们能够研究和提供更好的解决办法。

参加者需要做什么准备吗？

参加这次训练营的人需要有一些机器学习的背景知识，最好比较熟悉Tensorflow或者PyThorch。所有与数据隐私下的人工智能话题在训练营过程中会讲述，所以不需要提前有任何隐私保护的机器学习模型的知识和经验。

P.S.：DTALK活动属于非营利性活动，恕不提供发票，请谅解。