近年来，国家相继出台多项政策，明确了数据要素的基础性、战略性地位，要求加强数据资源整合、应用与安全管理，提升数据资源价值。金融业作为数据密集型行业，积极落实国家政策，深化研究数据管理机制、深度挖掘数据内在价值、深入做好数据安全保护的重要性日益凸显。
当前，一个人工智能项目可能涉及多个领域，需要融合各个公司、各个部门的数据。但在现实中想要将分散在各地、各个机构的数据进行整合几乎是不可能的。另一方面，GDPR的出台，使得各方对数据所有权和隐私性的关注越来越多，对用户隐私和安全管理日趋严格，拿不到赖以生存的数据集。联邦学习在这一背景下应运而生。
联邦学习(Federated Learning)的本质是一种分布式机器学习技术，可以在不交换数据样本的情况下，在多个分散的边缘设备或服务器上训练算法，以达到在数据“可用不可见”的基础上进行安全联合建模的作用。
在国内，以百融云创为代表的人工智能和大数据应用企业正积极投入联邦学习这一新式算法的研发，可实现各个企业自有数据不出本地，通过加密机制下的参数交换方式，在不违反数据法规隐私的情况下，建立一个虚拟的共有模型，最终通过联合建模提升模型的效果。
同时，百融云创运用联邦机器学习建立的模型，一方面可以实现数据隔离，参与各方的数据不会泄露到外部，满足用户隐私保护和数据安全的需求;另一方面，通过联邦学习能够保证模型质量无损，不会出现负迁移，保证联邦模型比割裂的独立模型效果好。百融云创通过利用联邦学习能够帮助金融机构同时实现补充多方数据和保护数据隐私、企业核心价值的效果，助力数据流动，推动人工智能的进一步发展。
在此基础上，百融云创综合运用隐私集合求交集、联邦学习等算法，以密码学领域的重要理论和技术为依据展开拓展，结合大数据具体应用场景，搭建了适用于多个场景的安全多方计算平台Indra，促进安全多方计算、机器学习等理论研究的落地。同时，以区块链技术为辅，实现数据确权和数据价值流转目标，为数据信息安全保驾护航，为合作方、客户之间提供一种安全、高效的数据合作模式。
