兩性共創美好描述：：數據隱私和數據智能可以共存嗎？ 引述外媒報道，隨著人工智能技術的到來，大家必須改變處理客戶數據的方式。代替當前的“越多越好”的數據采集方法，我們需要集中精力僅收集保持智能所需的最小數量。 在商業環境中，數據被認為是實現財務成功的最重要資源之一，這聽起來可能違反直覺。但是，這是企業需要做出的改變，收集更少的數據實際上并不像聽起來那么危險。 當今商業中普遍的假設是，系統訪問的數據越多，它們將越智能。但是，并非總是如此。即使是這樣，反過來（即更少的數據也必須等于更少的情報）反而是不正確的。 當普遍認為更多數據是競爭性業務差異化因素的假設時，實際上是激勵企業尋求新的和更多的收集數據的方法，這往往會造成災難性的影響。 每天我們都會看到有關數據泄露，泄漏和暴露的漏洞的新聞。我們了解到有關身份盜竊和金融欺詐的恐怖故事，并且目睹了由于無法保護收集的數據而遭受聲譽損害，監管懲罰和消費者強烈反對的企業。 隱私只是與壓倒性地尋求更多數據相關的問題之一。大規模數據采集和管理還涉及大量成本：計算成本，存儲成本，運營成本等等。我們正處于大數據，人工智能和機器學習的時代，但是，如果數據量繼續與系統智能相提并論，這些成本將繼續飆升。 當今的企業希望絕對了解他們對客戶的一切。但是，客戶對他們的每一個舉動都受到監視，記錄，處理和分析的想法感到后退。企業收集的數據越多，客戶的感受就越大，當客戶數據被盜時，每個人都會迷失。除罪犯外的所有人。 但是，如果我們對收集的數據以及如何處理和分析數據更加了解，那么實際上我們不需要任何我們認為可以收集的數據。 最關鍵的步驟是從收集和依賴單個數據轉移到處理和分析聚合數據。例如，我們可以查看IP前綴，而不是分析來自單個IP地址的數據，從而可以獲取所需的所有智能。這種方法的優勢在于，我們在組級別處理數據的能力越強，對個人用戶的了解就越少。盡管這可能看起來很矛盾，但事實是，即使我們需要更少的數據，我們也可以得到更多相關的情報。當我們進行要素工程設計時（這是構建高級模型的關鍵部分），我們可以在特定時間段內基于匯總數據創建要素。例如，一種功能，用于計算從特定設備處理的總交易額，其中每筆交易額都超過了定義的閾值。使用這種方法，我們不需要精確地知道單個交易金額。 此外，通過在小組級別進行的整體分析，我們可以發現各種行為和帳戶之間的模式，趨勢和共性，而這些在個人級別是無法分辨的。這使我們能夠收集有價值的見解的獨特層，而不必深入研究個人帳戶。最終結果是對單個數據的需求更少，而整體智能則更高。派生數據增加了另一層好處，即從一個數據點，我們可以確定多個附加功能，這些功能使我們能夠進一步完善結果。例如，我們可以查看IP范圍以區分正常和異常移動性模式，這樣，我們就可以準確地確定單個用戶是否正在旅行，而無需了解諸如航班和酒店詳細信息之類的細節。 使用這些技術代表著重大的轉變，使我們能夠更好地將自己的努力與不斷發展的大數據道德標準保持一致。 我們可以從匯總數據中獲得的洞察力越多，對單個用戶的要求就越少。使之成為可能的是無監督機器學習（UML）。 沒有UML，重點將放在利用我們對個人的了解來預測個人的未來行為。我們必須一遍又一遍地逐個客戶地執行此過程。這是一種非常繁重的數據方法。使用UML，我們可以在組級別審查用戶，并從觀察到的帳戶和操作的相關性和模式中獲得有價值的情報。最終，我們只需要幾個關于個人的數據點即可將其與用戶子組匹配；然后我們可以預測該子組的未來行為。 在預防欺詐的我方領域，主動檢測對于我們使命的成功至關重要。為了確保我們的客戶安全，我們必須能夠檢測到迅速發展的攻擊，然后才能造成損害。為了實現這一目標，我們使用匯總數據并進行整體分析，以發現異常的相關性和模式，這些相關性和模式表明了欺詐和惡意的行為和帳戶。我們僅使用從任何給定用戶那里獲取的少量數據點就可以做到這一點。我們發現，企業通常已經擁有所需的數據，而它們只是沒有有效地挖掘數據。 全球監管領域的發展清楚表明，我們正在朝著提高隱私和透明度的方向發展，并且對數據收集的限制越來越嚴格。但這并不一定意味著我們的數據智能下降。通過整體數據分析實踐，先進的AI和無監督的機器學習，我們可以在保持用戶隱私的同時獲得高水平的智能。 隨著圍繞數據采集和管理的現實變化，UML的價值正在迅速變得更加明顯，特別是與有監督的機器學習相比。盡管SML在無休止的數據豐富的環境中具有一定意義（我們想知道的越多，我們向算法輸入的數據就越多），但這種不受限制的數據采集速度會帶來嚴重的問題。使用UML，我們可以更改范例，因為我們可以減少需要從個人那里獲取的信息。對隱私的影響是立竿見影的。當涉及到偏差（如SML所要求的帶有標記數據的引用）時，它也具有明顯的優勢。UML是客觀的；它僅根據在非結構化數據中發現的模式執行分組。 我們已經看到銀行和支付行業正在積極利用這些新功能。例如，金融服務提供商立即了解UML可以帶來的價值。侵犯隱私權，提高安全性和驗證措施一直與客戶的摩擦加劇有關。借助UML，這些企業能夠提供客戶期望的出色體驗，而不會增加不必要的摩擦。在當今數字經濟中，金融機構必須在風險管理，客戶體驗和道德數據獲取之間取得適當的平衡，這一點至關重要。 今天，我們站在一個新時代的門檻上，在這個時代，道德和情報不必相互排斥。