编辑编者按:统计数据做为第三代的生产要素,其蕴含着的巨大价值正在逐步释放。但统计数据个人隐私及安全可靠难题却日益突显,采用者统计数据个人隐私如何为保护的难题亟待化解。个人隐私排序被视为化解此难题的关键之钥,与之有关的话题已在众多领域被探讨。责任编辑作者为我们分享了个人隐私排序商业性数学模型的四块积木,一起来看看吧。

商业模型(商业模式设计)-第1张

个人隐私排序做为近些年火起来的信息时代,因涉及到多个合作方之间要建立商业性连接,既要做到控制技术是安全可靠和可靠的,还要通过各种合规性的检验,因此,个人隐私排序在实际破冰时大多数情况下并不顺利。

若非,弄成两个个人隐私排序项目跟孩子们消遣高积木是极其相似的,两个完整的个人隐私排序商业性数学模型积木须要完成八个小新浪网的堆叠,这儿我把这种说法总结为个人隐私排序商业性数学模型的四块积木理论。

商业模型(商业模式设计)-第2张

01 市场监管积木

眼下市场监管经济政策是个人隐私排序最直接的推动力。近些年,北欧国家在个人隐私为保护方面的经济有关政策处于密集出台的状态,合规化、严格化、严厉尚普托是主流,而且北欧国家对于统计数据的市场监管只会越来越严,统计数据合规采用将是一类新恒常。

央行在今年初也发布了金融创新金融创新行业进行统计信息安全可靠共享资源的通知,并印发了个人隐私排序的有关控制技术标准,这也预示着着金融创新金融创新行业采用个人隐私排序的方式采购外部统计应用服务将是一类捷伊必然选择,合规则生、相左规则死,多于按照市场监管经济政策的精神和明确要求来做,就可以在激烈的竞争中继续前进。

在市场监管政府机构的推动下,业界政府机构看天行事。有了市场监管政府机构的岂知,业界政府机构才会顺理成章的去落实,个人隐私排序才会Shahdol的进入日程。做为统计管理工具和对统计数据Varans需的顾客来说,多于积极亲吻个人隐私排序就可以满足金融创新行业市场监管经济政策的明确要求,这是必然趋势、肖蒙区。

02 杜瓦桑积木

仅仅靠市场监管政府机构的指导意见或这份公函,还足以让市场真正动起来。因为,还须要政府机构顾客外部两个很重要的职能部门的尊重,那就是总务或杜瓦桑职能部门。总务和杜瓦桑职能部门在这儿统称为外部的合规市场监管政府机构,他们对个人隐私排序能否破冰有很大的影响力。

由于个人隐私排序仅从控制技术角度化解了统计数据新锐合规采用的难题,化解了统计数据采用权的难题,但没有完全化解采用者授权难题。个人隐私排序本身做为控制技术独断的正当性已有专门的法律给出明确的认可性说明。

当企业界部合规市场监管政府机构对个人隐私排序持犹豫或观望态度时,业务职能部门推动个人隐私排序就会面临较大的阻力。要想通过合规市场监管政府机构审计这一关,业务职能部门还须要多下功夫广泛举证,毕竟个人隐私排序的解释成本本来就很高。

03 价值积木

个人隐私排序的价值积木至少包括两个方面,其一是统计数据价值,其二是个人隐私排序的价值。

统计数据价值指的是,业务需求方知道统计管理工具方有哪些统计数据,哪些统计数据对自己是有价值的。达成这个基本共识是双方开展合作的前提,否则就是乱点鸳鸯谱,可能起到反作用。

统计数据往往是牵引个人隐私排序破冰的利器,当统计管理工具侧以个人隐私排序输出服务时,业务方要想引入它们的统计应用服务就必须引入个人隐私排序。统计数据新锐融合是个人隐私排序要承载的内容,个人隐私排序的目标是要实现统计数据价值的安全可靠流通,统计数据可用不可见,要价值不要原始统计数据,这是个人隐私排序的初心。

个人隐私排序的价值指的是个人隐私为保护排序的控制技术体系在哪些方面发挥作用。

也就是说,个人隐私排序的方式与之前的方式有何不同,为保护了什么,为保护了谁的统计数据个人隐私,带来了哪些改变或增益,而且这些价值能在商业性上成为一类可持续的业务模式。这些都是体现个人隐私排序价值的地方,也是业务方愿意买单的理由。

04 场景积木

个人隐私排序做为跨政府机构实现安全可靠连接的桥梁,最终还是要为业务服务,要在到合适的业务场景中找到其应用价值。场景积木的目标就是要找到合适的引爆点。

说到个人隐私排序适配的业务场景,要有两个基本的判断标准。一般来说,个人隐私排序适合于跨政府机构的统计数据连接,业务方有引入外部统计数据的需求,统计管理工具侧有对外统计数据价值变现的需求。具体来说,业务方可以用外部统计数据更合规的满足查询、统计和建模等方面的需求。

商业模型(商业模式设计)-第3张

关于个人隐私排序与业务场景的匹配度,笔者之前提出了两个SICH评估数学模型,篇幅关系,今天不详细展开了。有兴趣的读者可留言探讨。

05 授权积木

个人隐私排序主要化解的是排序层面的安全可靠难题,但不一定能化解统计数据授权的难题。在实际应用场景下,采用者的统计数据授权也很关键,这也是企业界部合规市场监管政府机构比较关注的内容。

授权积木是完成个人隐私排序版图的重要环节。授权不全,合作难产。授权不通,破冰成空。在金融创新金融创新行业,采用者向金融创新政府机构申请贷款时,通常须要授权金融创新政府机构查询其在多个统计管理工具的背景信息,这个是个人隐私排序破冰最普遍的风控类场景,采用者授权是比较容易获得的。

但非风控类场景下,要想取得采用者授权并非易事,采用者凭什么要授权业务方去查询与业务方毫不相干的统计数据呢?

所以,很多业务方想用个人隐私排序的方式来化解营销类场景下的标签补全或样本扩充的难题,往往都是在YY。所以,我要提醒的是,请先看看有无采用者授权,不要做无用功。没有采用者授权,最好的个人隐私排序都是空中楼阁。

06 商务积木

个人隐私排序项目就是要大家组网一起玩,如果参与各方原来就很熟悉,那就更容易建立合作关系。如果业务方和统计管理工具原来并没有合作过或者彼此不熟悉,那么,就须要个人隐私排序控制技术厂商在其中牵线搭桥,把大家撺在一起,建立两个小的商业性联邦。

个人隐私排序说到底是个工具,能把统计管理工具和业务方连接起来的是商业性利益。商业性就是如此的现实,没有利益凭什么明确要求别人跟你一起玩呢?所以,在商务基础上建立连接,完成商务积木,基于应用场景衍生出的商业性利益进行合作是个人隐私排序项目破冰的关键抓手。

07 控制技术积木

控制技术是个人隐私排序破冰的重要积木之一。目前联邦学习、多方安全可靠排序、TEE(Trusted Execution Environment)等是比较通用的跨政府机构融合排序方式,在控制技术上已经被证明是相对更安全可靠的了。

商业模型(商业模式设计)-第4张

联邦学习是一类加密的分布式机器学习控制技术,允许各合作方在本地设备对自有统计数据进行数学模型训练,并仅将数学模型训练的迭代更新成果加密上传至云端,通过与云端其它参与者的数学模型更新成果相融合,对联合数学模型进行改进并反馈给各参与者。

该框架可在各参与者不揭露底层统计数据的前提下,共同建立与改进机器学习数学模型,从而缓解传统机器学习中统计数据离开本地带来的统计数据个人隐私与合规难题。

多方安全可靠排序是在保证合作方个人隐私统计信息安全可靠的前提下,让多个统计数据所有者在联合的统计数据上进行协同排序以提取统计数据价值,且不泄露每个统计数据所有者的原始统计数据,最终实现统计数据的所有权和统计数据采用权相互分离,使统计数据可用而不可见,并控制统计数据的用途和用量。

可信执行环境(TEE)提供两个隔离的执行环境,提供的安全可靠特征包含:隔离执行、可信应用的完整性、可信统计数据的机密性、安全可靠存储等。主要思路是在排序机硬件平台上引入安全可靠芯片架构,通过提供的安全可靠特性来提高终端系统的安全可靠性。TEE是一类统计信息安全可靠和个人隐私为保护的硬件实现方式。

无论是哪种控制技术实现方式,都须要从认证授权、密码安全可靠、个人隐私统计信息安全可靠、存证与日志等方面保障排序的安全可靠性。个人隐私排序控制技术厂商往往须要自证清白,所以,须要请有关市场监管政府机构做测评与认证,有公安部一所等职能部门的权威认证做为背书,让金融创新行业顾客放心和安心采用。

08 互通积木

目前,个人隐私排序有多种控制技术实现路径。

比如:密码学路径,联邦学习路径和TEE方式。个人隐私排序本身是为了化解跨政府机构的统计数据不通难题的,个人隐私排序控制技术与产品自身不应该成为统计数据互联互通的捷伊阻碍。一枝花开不是春,百花齐放春满园。

小的联邦之内实现了互联互通固然好,但全面畅通、生态级互通就可以造就产业繁荣。所以,不同的个人隐私排序控制技术应该实现互联互通,也有义务去互联互通。妄图以个人隐私排序控制技术打造两个垄断的、封闭的统计数据联盟都是逆势而为,长远来看,必将会被市场抛弃。

当然,实现异构系统之间的互联互通殊非易事。须要金融创新行业市场监管政府机构建立互联互通的控制技术标准和规范,引导从业政府机构从协议层、通信层等自底向上逐级去做打通。互联互通这件事情是必须要去做的,是个人隐私排序控制技术厂商的共同积木。

09 效率积木

个人隐私排序最终能否在实际生产中破冰,还与密文排序的性能息息有关。

打个比方,甲乙两座城市隔海相望而不得通,同样是实现了两座城市的连接,用独木桥的方式与高速公路的方式那是有天壤之别的。个人隐私排序也是类似的道理,低效率的连接与排序一般无法满足大规模商用的明确要求。提高密文排序的效率,是个人隐私排序无法回避的话题。

完成效率积木是个人隐私排序大规模商用的临门一脚。当密文排序与明文排序一样快时,明文排序也就基本上可以退出历史舞台了。

提升密文排序的算力有多种化解方案。在软件层面可以优化机器学习算法,优化加密算法;在硬件方面,可以开发基于CPU和GPU的加速方案,将来甚至开发出PPU(PPU, Privacy Preserving Unit )。

GPU加速的终极目标是个人隐私为保护排序芯片,将来PPU芯片里的指令完全用于加解密运算,PPU芯片中两个clock就能完成CPU上100万个clock的运算,将实现算力的指数级增长。

最后,小结一下:

  1. 个人隐私排序将重构统计数据生态。个人隐私排序前景广阔,但道路是曲折的;
  2. 个人隐私排序的商业性数学模型破冰不光须要天时地利人和,还须要完成9个积木;
  3. 用旧船票找不到新大陆。道远且长,个人隐私排序破冰须要新模式、新商业性。

专栏作家

黄小刚,微信公众号:大统计数据产品设计与运营,人人都是产品经理专栏作家。拥有超过10年的BI应用咨询与化解方案实战经验、5年大统计数据产品设计与管理经验。两个非主流的大统计数据应用专家,两个非著名的统计数据产品经理。

责任编辑原创发布于人人都是产品经理。未经许可,禁止转载。

题图来自Unsplash,基于CC0协议