8月25日，SIGKDD·SDBD2020 第二屆智能數(shù)據(jù)和區(qū)塊鏈應用國際研討會在線召開，在數(shù)據(jù)經(jīng)濟大背景下探討數(shù)據(jù)治理與共享之道。
ACM SIGKDD2020（知識發(fā)現(xiàn)和數(shù)據(jù)挖掘會議）是一年一度全球最頂級、最高水平、最具影響力的數(shù)據(jù)科學盛會，本次SDBD國際研討會作為KDD大會中聚焦智能數(shù)據(jù)和區(qū)塊鏈等新興技術(shù)的專場Workshop，由新加坡管理大學及算力智庫共同舉辦。
算力智庫創(chuàng)始人燕麗表示：“今年國家把數(shù)據(jù)提到生產(chǎn)要素的高度，標志著行業(yè)風口的到來。算力智庫一直在跟蹤智能數(shù)據(jù)、隱私計算和區(qū)塊鏈賽道中的好公司、好應用，希望通過第一手原創(chuàng)深度報道和研報推進產(chǎn)業(yè)與生態(tài)的發(fā)展。”
會上，來自全球的學界與產(chǎn)業(yè)界專家從數(shù)據(jù)作為資產(chǎn)的維度探討了前沿科技賦能數(shù)據(jù)共享的最新實踐，并倡導“技術(shù)＋制度”雙軌并行充分挖掘數(shù)據(jù)要素的更大價值。
1數(shù)據(jù)治理是數(shù)字經(jīng)濟前提
人工智能、區(qū)塊鏈等科技讓數(shù)據(jù)成為了智慧數(shù)據(jù)，但所謂數(shù)據(jù)經(jīng)濟則不止于智慧數(shù)據(jù)。新加坡管理大學教授朱飛達認為，在談論科技如何讓數(shù)據(jù)變得“可計算”之前，還必須認識到一個前提——數(shù)據(jù)是資產(chǎn)，數(shù)據(jù)需要治理。
然而即便是這樣一個大前提，人類也花費了很長時間才認識到。朱飛達教授表示，數(shù)據(jù)經(jīng)濟歷經(jīng)了三個階段。第一階段數(shù)據(jù)只是商業(yè)活動的副產(chǎn)品，人們更多用數(shù)據(jù)來理解過去。第二階段是大數(shù)據(jù)與數(shù)據(jù)經(jīng)濟的興起，在這一階段數(shù)據(jù)被少部分企業(yè)壟斷而得利。第三階段則是數(shù)據(jù)驅(qū)動經(jīng)濟，數(shù)據(jù)成為了驅(qū)動所有機構(gòu)組織的共享資產(chǎn)。
翼方健數(shù)（BaseBit．a(chǎn)i） CEO羅震認為，從信息時代到智能時代，數(shù)據(jù)正在更多被機器和計算程序使用，也讓機器更加智能化。作為信息時代的遺留物，數(shù)據(jù)具有獨特的經(jīng)濟學特征，如虛擬可再利用、固定成本高、可變成本低，同時也在隱私、合規(guī)、機密、安全性等非經(jīng)濟學維度顯示出鮮明特征。
事實上，人們在認識這些數(shù)據(jù)特性的過程中已經(jīng)付出了代價，缺乏治理的數(shù)據(jù)泄露案例造成巨大損失。
新加坡國立大學副教授何丙勝表示，數(shù)據(jù)泄露已非孤立事件，各行業(yè)都有相關事件。在教育、醫(yī)藥、能源、健康等領域，每一起數(shù)據(jù)泄露事件造成的平均損失都至少在500萬美元以上。
這些負面案例不僅承載了巨大的經(jīng)濟損失，更消耗了整個社會對數(shù)據(jù)共享的意愿和信心，讓本就基礎薄弱的數(shù)據(jù)共享愈加困難。
羅震指出，數(shù)據(jù)本質(zhì)上不能被安全共享，但應該在不共享數(shù)據(jù)本身的前提下實現(xiàn)數(shù)據(jù)價值共享。
當然這就更難，最著名的阻礙就是數(shù)據(jù)孤島。何丙勝教授以醫(yī)院數(shù)據(jù)為例表示，不同的醫(yī)院有不同的病人，但其實病例有許多相似性。醫(yī)院、銀行、電商，他們各自的數(shù)據(jù)實際上是分別掌握了相同人群的不同方面。
朱飛達教授的研究發(fā)現(xiàn)，數(shù)據(jù)生態(tài)系統(tǒng)中存在兩大瓶頸。第一大瓶頸存在于個人、企業(yè)、政府等不同角色間。第二大瓶頸存在于數(shù)據(jù)、模型和應用間。
在個人與企業(yè)間，用戶作為數(shù)據(jù)的貢獻者不僅被排除在價值分配之外，對自身數(shù)據(jù)的認知與控制也十分有限，更要承受隱私泄露風險。個人與政府間則存在隱私與數(shù)據(jù)泄露的擔憂。政府部門間因制度原因存在“數(shù)據(jù)高墻”，企業(yè)之間數(shù)據(jù)孤島現(xiàn)象普遍，在企業(yè)與政府間數(shù)據(jù)共享缺乏激勵。
另外，在數(shù)據(jù)端，數(shù)據(jù)來源不明，質(zhì)量差；在模型端，模型的設計與訓練難以獲取真實用戶數(shù)據(jù)；在應用端，缺少先進的模型造成了低層次的數(shù)據(jù)智能。
朱飛達教授認為，問題的根源并不在于數(shù)據(jù)智能本身，而在于數(shù)據(jù)治理。數(shù)據(jù)資產(chǎn)治理的核心要素是信任＋激勵。其中，信任可以通過聯(lián)邦學習、差分隱私、安全多方計算、TEE等來實現(xiàn)，而激勵則通過數(shù)據(jù)定價、數(shù)據(jù)挖掘、機器學習、通證經(jīng)濟等來實現(xiàn)。
123下一頁>（免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內(nèi)容或斷開相關鏈接。 ）
