保护隐私，法律之外还需要“以毒攻毒”
上至国家、下至普罗大众，”未来是AI时代“已经成为了一个共识。经过这几年的发展，AI已经走下神坛，从一个深奥的话题演变的更为贴近民生。与此同时，人们也享受到了AI所带来的便利。而这其中，最大的功臣之一就是数据。
有了数据，算法能够在不断的训练中提升精准性；有了数据，算法才能针对性的面向用户提供服务，而不是成为一个鸡肋；有了数据，人们所设想和期待的万物智联才会成为现实……可以说，数据是智能化实现的动力。
围绕智能化趋势所带来的数据隐私安全以及是否被滥用问题，诸多国家正在从法律层面进行完善，除了前面提到的欧盟GDPR，我国也于去年5月份正式实施《信息安全技术个人信息安全规范》，要求平台在收集个人敏感信息时，平台应征得用户的明示同意，并区分核心功能和附加功能，以打破”一揽子授权“的难题……
理性的来说，健全的法律只是利用一种合法的手段为人们提供一个武器，对收集数据的公司起到一个震慑的作用，但并不能完全消除人们对于数据隐私被收集和利用的担忧。而基于这股担忧，用户也将在一定程度上”不信任“公司基于数据而提供的服务，久而久之，用户与公司之间必然将产生裂缝，这并不是后者所愿意见到的。
为了避免这种情况的发生，越来越多的公司开始关注起”数据隐私“这一以往被忽略的问题。比如谷歌，在日前举办的I／O大会上全程不忘提及他们在隐私保护上做出的努力。
目前，为了让用户对数据隐私放心，企业的解决方案分为两大方向，一个侧重于数据收集的源头，另一个则将重点放在数据收集之后的保护：
数据脱敏
前面也提到，为了达到个性化服务、精准营销等服务，数据被收集是一个必然的事实，只是需要注意的是，并不是所有数据都要被收集。在这方面，部分企业选择收集那些非敏感数据，即脱敏数据。
这一过程中，当涉及客户安全数据或者一些商业性敏感数据的情况，在不违反系统规则条件下，企业会通过脱敏规则对数据进行改造，剔除身份证、手机号、卡号、年龄、性别等个人敏感信息。
目前，“数据脱敏”这一方法被大多数企业所采用，区别只在于具体方式不一样。经过脱敏处理后，留下则是结构化数据，不存在过于隐私的问题。一般而言，基于脱敏数据而形成的用户画像是不完整的，做不到特别精准的个性化推荐、服务，但是对于一些商业目的而言，这些已经足够。
与此同时，从数据智能化的流程上讲，收集脱敏数据意味着用户的敏感信息从最初就被剔除在外，相当于从源头即开始保护用户的数据隐私，从而保证了数据隐私的安全性。
边缘计算
自去年开始，边缘计算就一直被业界所推崇，而在探讨其优势的时候，“提高数据的安全性与可靠性”这一点必定在列。
在边缘计算被提出之前，终端设备在云计算模式下需要将所收集的用户数据上传至数据中心，也就是所谓的云端，某些时候常常造成数据拥堵的现场，而更需要提高警惕的是，这些数据极有可能在上传过程中，亦或是在终端服务器内遭到泄漏。
不同于云计算的操作模式，边缘计算将包含用户隐私的数据放在边缘节点，以进行保存和处理分析，相对提高数据的安全性。
另外，因为是将数据放在边缘节点，边缘计算的数据隐私避免了长途跋涉的过程，在缩减数据上传时间、躲开数据拥堵的同时，也提升了设备的响应速度。
联邦学习
边缘计算之后，近期出现了又一个针对数据隐私保护的新概念，即“联邦学习”。
“联邦学习就像一个安全的道路网络，可以既满足人工智能的训练要求，又保障我们的个人隐私不被滥用，因为这个道路网络上跑的是无法还原到原始数据的加密信息。”创新工场南京国际人工智能研究院执行院长冯霁表示。
以学生的个性化教育为例，围绕该学生的所有数据被分散化的，这并不利于最佳模型的训练。同时，若将数据在不进行加密或不在安全标准下进行跨地域、跨数据源的聚合和交换，企业也无法在所有不同数据源上训练最能反应该学生学历历程的AI模型，也需要承担极大的数据隐私风险。
而借助联邦学习，业界可以建立一个安全的共享机制，不需要交换原始隐私数据，企业只需要在加密的数据上进行聚合训练，就可以得出完整反映学生情况的AI模型，并基于该模型为学生针对性的定制学习计划。
联邦学习的这种做法，相当于在原始数据外围增加了一把锁头，并进行模糊化处理等二次加工。
在智能化时代，数据就是新的生产力，两者之间相互扶持，一荣俱荣、一损俱损。没有数据的支撑，智能化也只能停留在浅层表面，相比于它真正所能够提供的价值，停留在表面的智能化只能算是碌碌一生。
若要得到数据的支撑，那么安全性则是一个始终都绕不开的话题。只有安全性得到保障，用户才会信任算法、信任服务，继而才会使用它，并向提供服务方进行反馈，形成一个良性循环。
