人生苦短，我用Python！
摩斯隐私计算在金融场景的应用案例荣获“2024金创奖”
墨衍会员 · AI 创作全网分发 墨衍智能分发 通过墨衍一键同步至各平台 可同步平台 CSDN微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网
我也要 关注 + 加入社区摩斯荣获“金创奖”
“智领金融新生态，数绘未来新业态”，2024年12月12日“2024金融科技年会暨第十五届金融科技创新奖颁奖活动”落幕，摩斯凭借《摩斯隐私计算平台在金融场景的应用》案例，荣获“金创奖——数据技术与应用创新奖”。
本次“首都金融创新激励项目评审活动（以下简称“评审活动”）”由中共北京市委金融委员会办公室（以下简称“市委金融办”）主办，清华大学五道口金融学院承办，由各领域专家从先进性、创新点、数字化转型提升能力、效益等维度进行综合评审。获奖项目代表了在服务首都经济和社会发展中作出了突出的金融创新。
摩斯基于隐私计算技术的全渠道数据融合解决方案
当前金融机构数据要素流通主要存在几大堵点：1、单一金融机构数据样本量有限，造成模型推理和预测不准确，表现在拓展业务方面，无法及时识别精准人群，错失营销机会，在风控方面无法精准识别风险。2、部分金融机构数据处理能力有限，金融机构智能化处理能力低，例如需要投入大量人力资源对可疑交易、目标客户进行筛选识别，耗费成本高、效率低。3、金融数据由于敏感性高、监管严格，难以出域使用。
针对以上的堵点问题，摩斯的方案如下：
-
利用隐私计算技术连接全渠道数据：摩斯利用多方安全计算、联邦学习、可信执行环境等技术打造了大规模金融级隐私计算平台，通过该平台加密、分布式连接全渠道多方数据源，实现数据隐私保护、可用不可见。目前该平台已连接金融行业所需的全面覆盖千行百业的企业和用户数据，可以通过API、数据库、文件等多种方式加密接入和使用。
-
利用隐私建模能力进行多方数据联合建模分析：通过联合建模的方式解决单一金融机构数据样本量不足和数据处理能力有限的痛点问题，保障数据安全的同时提升模型效果，实现更精准的人群刻画和风险识别。主要用在风控、营销、客群经营等应用场景。
摩斯营销科技助力机构客群经营与增长
目前摩斯隐私计算产品已在上百家银行等金融机构部署使用，全行业已部署300多家，建立以隐私计算节点连接的数据和流量资源生态网络。
在金融机构营销场景，摩斯通过隐私计算技术，可以打通机构公私域客群，进行客群一体化分析；通过多方资源连接，共建密态模型，进行用户洞察分析，帮助机构制定拉新、促活、召回全生命周期客群经营增长策略；通过摩斯营销平台连接支付宝、饿了么等数十个流量平台，帮助机构进行自助化、智能化营销投放。
在银行卡营销场景中，结合交易场景制定精细化权益发放策略，进行绑卡、促活、提频提额，帮助银行用户提升开卡效率和用户留存率。
未来展望
面向未来，积极探索前沿技术落地和应用场景，拥抱AI和大模型，摩斯研发了大模型隐私保护产品，并提供TEE+GPU云算力托管服务，保障机构客户大模型数据和模型隐私安全；同时，摩斯积极研发营销智能体，将在摩斯营销平台落地应用，帮助客户快速制定营销投放策略；
关注我，获取更多资讯~
相关推荐
蚂蚁摩斯安全计算平台白皮书
蚂蚁摩斯安全计算平台是借助区块链、密码学、隐私保护、安全多方安全计算等前沿技术，建设的数据安全和保护隐私的可信数据交换基础设施，旨在帮助企业机构之间进行安全、高效的数据合作。在产品设计之初，蚂蚁摩斯安全计算平台就坚信数据可用不可见以及去中心化的数据合作方向。 面向未来的数据合作方向是数据可用不可见。由于多方安全计算、同态加密、零知识证明等技术的发展，使数据使用方在不拿到原始明细数据的情况下进行相关的计算并得到期望的结果成为可能。在这种情况下，获取原始数据一方面增加了企业使用数据的成本，另一方面对数据管理的责任也增加了数据持有成本。对于数据管理方，原始数据不出域，可用不可见大大降低了数据在合作过程中的泄露风险，加快了数据流通的效率并提升了数据的商业价值。 面向未来的数据合作方向是去中心化的。随着数据合作场景的日趋复杂化，在一个计算场景下，可能需要使用到不同行业、不同机构的数据，同一份数据也有众多的需求方，将数据和计算分布在不同的节点上的，很好的避免了数据的中心化聚集带来的信任问题，也提升了数据合作过程中的计算效率。
国内首个隐私计算+区块链专题报告发布数据安全不能仅靠单一技术解决.docx
。。。
2021隐私计算行业研究报告：深潜数据蓝海.zip
2021隐私计算行业研究报告：深潜数据蓝海
国内首个隐私计算+区块链专题报告发布数据安全不能仅靠单一技术解决.pdf
国内首个隐私计算+区块链专题报告发布数据安全不能仅靠单一技术解决.pdf国内首个隐私计算+区块链专题报告发布数据安全不能仅靠单一技术解决.pdf国内首个隐私计算+区块链专题报告发布数据安全不能仅靠单一技术解决.pdf国内首个隐私计算+区块链专题报告发布数据安全不能仅靠单一技术解决.pdf国内首个隐私计算+区块链专题报告发布数据安全不能仅靠单一技术解决.pdf国内首个隐私计算+区块链专题报告发布数据安全不能仅靠单一技术解决.pdf国内首个隐私计算+区块链专题报告发布数据安全不能仅靠单一技术解决.pdf国内首个隐私计算+区块链专题报告发布数据安全不能仅靠单一技术解决.pdf
YOLO26算法心电图十二导联目标检测+训练好的模型+368张数据集+pyqt可视化界面.zip
附训练好的 YOLO 权重与 PyQt 可视化检测界面，页面底部含可视化效果预览，毕设/课设开箱即用。 【数据集概况】 · 检测类别（中文）：[导联I(I), 导联II(II), 导联III(III), 胸导联V1(V1), 胸导联V2(V2), 胸导联V3(V3), 胸导联V4(V4), 胸导联V5(V5), 胸导联V6(V6), 加压肢体导联aVF(aVF), 加压肢体导联aVL(aVL), 加压肢体导联aVR(aVR)] · 训练集：313 张 · 验证集：37 张 · 测试集：18 张 · 总计：368 张 该数据集聚焦于临床心电图信号的精准识别与定位，其核心检测目标为标准12导联心电图中的各个独立导联波形区域，涵盖肢体导联（I、II、III）与加压肢体导联（aVR、aVL、aVF），以及胸前导联（V1至V6），适用于心电图自动分析系统中对各导联位置的快速准确标注与分类。数据采集场景真实还原了医院心电图室或急诊监护环境下的标准心电图记录纸，波形清晰、基线稳定，具有高度临床参考价值。... 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 57 个 epoch，最终轮指标： 指标 | 数值 mAP50 | **0.9708** mAP50-95 | 0.6344 Precision | 0.8990 Recall | 0.9191 train/box_loss | 1.2231 train/cls_loss | 0.9703 val/box_loss | 1.2779 val/cls_loss | 0.... 使用场景：毕业设计、课程设计、深度学习入门、工业场景落地验证。
