数据是现代人工智能的基础，模型训练时数据的多少、质量和维度都会直接影响到AI产品的表现，已然成为企业发展的源动力。但数据作为企业的重要资产，受制于相关法律法规和用户隐私的约束不能直接分享。用来解决数据隐私安全的联邦学习和多方安全计算等技术被逐渐重视，有些公司（Facebook、Google等）已尝试将其落地。在技术落地逐渐成熟和市场需求不断提升的双向催化下，隐私计算作为新一代计算模式应运而生。

隐私计算综合了数据科学、密码学、分布式计算与存储等技术，可被用于搭建的隐私计算平台，帮助企业间进行数据协作。隐私计算能在数据不出库的前提下，将多维度特征值的数据融合使用完成交叉数据集的数据挖掘，用来解决AI 领域的数据供给不足的问题，既能保证数据价值的充分挖掘，又能避免隐私泄露和数据贬值，帮助企业增加可用数据总量，同时释放更多数据中隐藏的价值。但隐私计算的平台部署和使用过程中也会遇到一些问题。

本次分享将结合我们在搭建平台和隐私分析、建模过程中的实战经验，为大家展示在不同场景中隐私计算的部署方案和应用技巧；主要涉及联邦学习的实战应用经验、部署“实时响应+大规模（TB级数据）复杂模型训练”平台架构的注意事项等；我们希望将实践过程中的实时数据分析和密文数据建模经验分享给大家，让更多技术人认识并投入隐私计算的研发工作中，帮助更多企业和个人享受到隐私计算带来的收益。

内容大纲 

1. 隐私计算行业背景介绍

2. 隐私计算的技术原理及实现方法

• 联邦学习
• 多方安全计算（MPC）
• 差分隐私
• 可信执行环境（TEE）
• 底层数据计算架构设计

3. 应⽤到金融、广告等重要场景存在的困难及解决方案

• 联邦学习在金融场景中的落地方案
• 广告营销场景中数据融合的实践案例
• 跨数据库的计算节点部署难点及数牍的解决办法及注意事项

4. 将隐私计算做到工业级可用的实现过程

• 如何将密文数据的分析、建模做的像明文一样准确
• 如何将密文数据的分析、建模做的像明文一样快
• 怎样保证计算数据的安全

听众受益

• 了解隐私计算的发展现状及行业优势
• 了解新一代计算方式可解决的难题：企业间数据协作之困
• 收获联邦学习的实践经验和部署方案
• 企业做隐私计算是需要具备的条件和人员配备

适合人群

• 关注隐私计算、希望了解联邦学习落地技术的数据开发人员及AI从业者
• 希望了解新的计算技术，做数字化转型的传统企业决策者