929联邦学习联邦学习深度学习之后,AI安防的第二落脚点

1、【联邦学习】联邦学习：深度学习之后，AI安防的其次落脚点2019-11-29 原文AI科技评论作者|张栋编辑|唐里幻想与现实从来都是纠葛着的，AI也不例外。以AI落地最多、最快的安防行业为例，过去几年，行业各类神捕、鹰眼等产 品让人眼花缭乱。渐渐地，AI成为了无所不能的代名词。但是AI在安防行业的真实使用，还有很多现实问题亟需处理。大规模落地：AI安防仍存两大痛点宇视CEO张鹏国提到，“当前AI落地力量与用户需求存有较大差距，前者还 需面对数据隐私爱护与平安管控、低成本、流程再造、组织变革等挑战。”具体来看，最为核心的痛点有二：其一，数据不够多元，且特别封闭。中国拥有浩大的人口数量、用户量及图

2、像采集点，相关企业得到数据之后经过筛选、过滤、叠加、组合，会对本身算法效果有阶段性提升。但这类提升属于个人式的、微乎其微式的。每个厂商所建设的 AI系统类似一个又一个的“烟囱”，“烟囱式”架构也就是垂直 的体系结构。每一个IT系统都有本人的存储和设备，以及独立的管理工具和数据库，不同的系统不能共享资源、不能交付和访问，构成了资源孤岛和信息孤岛。由于不同企业的数据库模型设计和针对的目标有所不同，他们也无法直接交换、共享模型。即使相关企业间的数据库可以融合，但受制于隐私、平安等问题，也绝不行如此为之。有场景缺数据、无数据难共享。这是包括AI安防在内的诸多行业目前存在的普遍问题，也是妨碍 AI普惠的

3、最大痛点。其二，缺乏优质数据，算法不够精准。由于缺乏足够优质数据作为训练支撑，大多企业依靠开源框架微创新，然后接 受低价策略抢占市场，导致整个行业丢失了做基础原创技术创新动力的案例。坚持自研是一条漫长且艰苦的路，没人晓得数年的努力能不能换得一次数量级的提升，也没人晓得高投入后能否得到与之相婚配的报答。对此有人或许会提到，基于安防行业本身自然的高试错率，小数点后的算法精度数量级提升对于项目的最终归属没有大的转变。其实，现阶段与安防相关的AI技术精准度还远远没有达到天花板，分类检测、分割、以及对整个图像区域分类问题均还未得到很好处理。概括而言，AI技术在安防市场上的使用次要还存有几个挑战：1、认知

4、问题相较感知问题较难处理。感知问题可以用神经网络函数靠近， 相比之下认知问题处理起来比较麻烦，比如如何教会机器辨识一把椅子。2、在弱线索、遮挡、模糊、对象追踪等情况下，人类在识别的过程中通常 会依据常识，并加入丰富的想象及推理。但是想要将这些力量教授给机器则 格外困难。3、计算机视觉技术带给机器的力量不只是用来观看世界，而是需要与世界 建立联系，从而一起做交互，而想要做到“交互”这一步，还有很长一段距 离。基于安防场景的不断变化，其对算法迭代的要求肯定是格外严苛且上升的。在这个市场中，谁能够看到算法精度提升解锁的更多场景，并依据场景的变化 做到最为快速且精准的反应，谁就能在将来竞比中走得更远。

5、联邦学习：AI大规模落地又一革命性突破一方面，AI在安防行业的探究才刚刚开头；另一方面，做好AI所必需的数据养料无限且质量较差，不同数据源之间存在难以打破的壁垒。除了少数几家拥有海量用户、具备产品和服务优势的巨无霸企业外，大多数中 小型AI安防企业难以以一种合理、合法的方式跨越人工智能落地的数据鸿 沟，或者需要付出巨大的成原来处理这一问题。此外，随着大数据的进展，注重数据隐私和平安已经成为一种世界性的趋势， 一系列条例的出台更是加剧了数据猎取的难度，这也给人工智能的落地使用带 来了史无前例的挑战。何解？针对这个问题，记者同时采访了六位学术界、工业界领头人，得到的答案比较 全都：从目前的争辩进展

6、来看，“联邦学习”技术可能是处理以上问题的最隹选 择。联邦学习的概念最后由谷歌在2016年提出，在中国，香港科技高校讲席教授、微众银行首席人工智能官（ CAIO ）杨强教授算是联邦学习争辩第一人。 之后包括微众银行、腾讯、平安科技、华为、京东等在内的国内企业和机构推 动联邦学习进入了学术争辩与行业落地新阶段。联邦学习之所以能够在如此短的时间里快速由一个构想变为一门学科，次要由 于它可以让参与各方在不披露底层数据的前提下共建模型，之后利用整个数据 联邦内的数据资源，提高每个成员的模型表现。通俗来说，深度学习时代，每个 AI企业的技术力量是单打独斗式的；而联邦 学习的消灭，更为紧密、平安地将各个A

7、I企业联系在了一起，联邦中的每个成员都可以用最快的速度提升本身力量的同时吸取别人的特长，最终获得共同 成长。譬如A厂商有校内数据、B厂商有工厂数据、C厂商有社区数据，且这三家厂 商都使用了联邦学习技术。从业务层面动身，A、B、C这三家厂商便直接获得了两种力量：1、最快速地优化本身业务；2、最快速地拓展新业务。最快速地优化本身业务表现在，平台每天会有若干个类似A厂商的企业向平台输入加密后的数据模型，而这些数据模型中有A厂商格外缺乏的其他数据信息，而A厂商便可依据这些数据去更新本人的算法模型。最快速地拓展新业务表现在，A、B、C每家厂商都有各自构建好的模型，通过汇总去得到更大的数据模型，在不流通数

8、据的情况下得到数据流通的最好效 果，通过资源互补可以在最短时间内平安地获得对方的力量，去拓展新业务。从隐私爱护层面来看，通常智能摄像头产生的数据会被上传到后台服务器中， 然后由部署在服务器上的神经网络模型依据收集到的大量数据进行训练得到一 个模型，服务商依据这个模型来为用户供应服务。这是一种集中式的模型训练方法，这种方式很难保证数据隐私平安。而联邦学习就不再是让数据发送到后台，而是在每个企业本人的服务器上进行 训练，并加密上传训练模型，后台会综合成千上万的用户模型后再反馈给用户 改进方案。相较传统学习模式，联邦学习的优点是显而易见的：1、在联邦学习的框架下，各参与者地位对等，能够实现公正合作；

9、2、数据保留在本地，避开数据泄露，满足用户隐私爱护和数据平安的需 求；3、能够保证参与各方在保持独立性的情况下，进行信息与模型参数的加密 交换，并同时获得成长；4、建模效果与传统深度学习算法建模效果相差不大；5、联邦学习是一个闭环的学习机制，模型效果取决于数据供应方的贡 献。在传统的方法下，用户只是人工智能的旁观者一一使用，但没有参与；而在联 邦学习场景下，每个人都是“驯龙高手”，每个人都是人工智能进展的参与者。纵身一跃：联邦学习已经落地生根值得一提的是，目前联邦学习已经从概念走进商业世界，而且诞生了一系列基 于行业场景的新平台、新使用。今年9月，微众银行与极视角联手打造了中国首个视觉联邦学习

10、系统。以视频摄像头中的火焰识别为例，AI工程师们可能千辛万苦训练了一个火焰检测的识别模型，想要用在监控摄像头中，识别能否有燃烧现象，从而对火灾发 生的可能性进行分析，实现火灾预警。原有的AI算法可以比较精确地识别有明显大面积燃烧和明火发生的常见场景。然而，遇到打火机点出的火焰时，摄像头就有些“懵” 了。假如想让模型添加识别力量，传统的 AI训练要求适用方能够供应一些数据样 本，而这又消灭了因网络带宽导致的算法精确率不高及数据隐私等问题。种种难题前，极视角与微众银行合作，利用联邦学习技术打造了一个计算机视 觉模型的“超级市场”。1.AnHcilHtiiiit屿打11t.M丽 J 1«

11、Madcl I gpjfici. O«K»r inkFLM j * ' Mnidl lxxlr：图片来源：在联邦视觉系统中，依托本地建模，在保证各方数据不出本地的情况下，即可提升AI算法精确率。在一次公开共享中，微众银行AI部门副总经理陈天健透露，“在联邦视觉系统项目中，通过联邦学习技术，全体模型的功能提升了15% ,且模型效果无损失，极大地提升了建模效率。”AI下半场：技术生态正被重新塑造安防行业历经两次跨越，从最开头的通用级产品到处理方案，再到内容分析前置，接下来则是平台运营。将来，安防行业背后是兆亿级别且呈几何式增长的巨大流量入口。IoT时代，数据处理并非孤岛式，将来才智城市中的每个人、每个摄像头都是可感知的，而联邦学习可以发挥“群体智能”的力气，进而升级和变革行业。优化、互补、平安、高效，毫不夸张地说，联邦学习无疑是目前业界消灭的最有可能推动AI普惠的技术路线。它也是AI行业从B2C到C2B模式的一个变革起点，它的成熟进展可以让更多人更低门槛地参与到 AI社会的构建。同时，安防领域的使用还只是联邦学习赋能的冰山一角，将来包括金融、零 售、医疗、政务、工业等