AI应用持续落地，打造可解释AI日趋重要
进入21世纪以来，人工智能（Artificial Intelligence，AI）取得了长足发展，智能化的人机协同成为发展趋势。如果能够了解AI对决策的判断，实现理解、信任、管理AI的目标，那么人们将更有信心全方位地应用AI。
在此背景下，发展可解释、可扩展、安全可靠的AI显得至关重要。可解释性就如同医生需要向病人解释病因，才能提供可理解的诊断结果和治疗措施。发展安全可靠的AI的首要任务，是人类能够理解AI技术的基本原理、自动决策的机制，以应对潜在风险及准备防范措施。在实际情况中，核心AI算法尤其是深度学习算法通常运行在类似于“黑盒”中的工作模式，其运行结果需要辅以合理的解释为人类所理解和信任。
各国现行的条例法规同样要求人工智能系统的开发使用，必须在监管合规的条件下运行。因此，发展可解释AI具有重要的理论意义与现实意义。首先，可解释AI可帮助用户建立对AI系统的信任，防止因为算法的黑盒特性做出有偏见的结论，促进算法的公平性；其次，它可以满足监管机构的合规要求，促进AI的公平性、稳健性、安全性发展。
微众银行关注可信、可解释的AI理论及应用
基于在金融领域的实践，微众银行已经在智能服务、智能营销、联邦学习等方面获得一系列成果。参与撰写《可解释人工智能导论》体现了微众银行在发展可信、可解释、负责任的人工智能方面的探索。
据了解，针对隐私计算和联邦学习所面临的安全、效率、性能之间的平衡问题，近期杨强教授带领微众银行AI团队持续丰富和拓展联邦学习的理论，提出了“可信联邦学习”概念。“可信联邦学习”以隐私保护、模型性能、算法效率为核心的三角基石，以模型的决策可解释性和可监管性为两大支柱，共同构成了更加安全可信的联邦学习。
在“可信联邦学习”理论框架下，杨强教授及团队提出了隐私与模型性能的"No-free-lunch安全-收益恒定"定律，利用该定律可实现可信联邦学习的安全、性能、效率三者的协调，在实现更高质量的隐私保护的同时，既不牺牲数据安全保护，也不致使模型性能和学习效率的大幅下降。有效运用该定律能够量化分析隐私计算各种技术保护方案的优劣，进一步优化隐私保护算法设计。目前相关论文已被国际顶级学术期刊接收。
杨强教授表示：“数据安全、隐私保护与可解释性应当与模型性能、算法效率并重，在金融应用场景中尤为重要。未来，微众银行将持续深入在相关领域的探索和研究，持续推动可信、可解释、负责任的AI应用。”
免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。
关键词：
