通过加密的分布式机器学习技术，为合作机构提供数据隐私保护的技术方案，数据不出本地的情况下联合多方数据源建模并提供模型推理与预测服务。依托中国电信大数据能力，赋能多行业多领域产品应用，聚焦DPI、金融风控等应用场景，帮助合作机构提升模型效果，实现数据融合应用。
一站式流程
全流程联邦学习平台，从数据接入、同态加密、联合模型训练到模型部署发布形成闭环
数据安全
结合高性能加密算法库，进一步保证数据安全，解决数据孤岛及隐私保护问题
高效率
开发验证流程可视化，灵活对接，实现高效便捷快速迭代
特征丰富
基于开放电信生态数据能力，用户覆盖大、数据种类多、数据真实可靠、动态更新、全周期数据安全保障
高质量用户促活提频模型
依托中国电信大数据能力，覆盖全国31个省份的电信用户数据。在用户促活提频场景中，在不交换用户原始数据和标签的前提下，帮助合作机构基于电信海量特征池建立高质量的用户促活提频模型
数据隐私保护操作安全合规
利用高性能隐私计算算法库，将数据进行加密。通过隐私计算组件对客户仅在与客户端对端的网络打通之后，才能发起联合建模服务。所有操作都有日志留存，减小违规隐患，能够实现业务溯源
应用场景
适用场景
某科技公司每天从千万级已授权的存量客户中识别高意向客户，但基于自身客户画像标签对高价值客户识别效果不明显，同时该机构非常注重用户隐私数据的安全保护，不希望与外部数据进行直接交互
场景特点
通过隐私求交对齐双方共有客户，同时保证双方交集之外的用户互不泄露
产品优势
数据能力全覆盖
依托中国电信大数据能力，覆盖全国31个省份的电信用户数据，数据种类多、数据真实可靠、动态更新
原始数据保护
交互过程中仅仅交换加密参数及中间计算数据，达到对双方原始数据的保护
降本增效
模型能极大提高合作机构的用户分层预测精度，提升数据利用效率和价值，降低运营成本
金融场景——识别高危欺诈客户
精准识别高危欺诈客户
近年来线上欺诈产业链猖獗，金融领域欺诈呈现“智能化、产业化、攻击迅速隐蔽、内外勾结比例上升、移动端高发”五大特点。而传统的反欺诈技术手段相对滞后，应用传统反欺诈手段遏制金融风险，收效甚微。同时市场上的黑名单、欺诈数据存在需行内数据出库交互、数据来源不明、数据效果参差不齐等问题
场景特点
突破行方数据开放受限的问题，输出针对高危欺诈场景的反欺诈模型有效，识别高危客户
产品优势
可信开放
利用联邦学习技术构建的可信数据分析、可信数据建模服务，可实现数据隔离、效果无损、参与方对等并共同获益的联合建模，输出针对高危欺诈场景的反欺诈模型，有效突破行方数据开放受限的问题
标签维度广泛
可将反欺诈模型中少数的标准标签提升到上千个标签维度，显著提升模型效果，有效识别高危客户，降低银行金融业务的违约风险
