合作模式 · Cooperation Mode
联合建模合作模式
隐私计算联合建模 · 数据可用不可见 · 安全协作新范式
模式定义
联合建模合作模式是左木莲安基于安全计算环境（联邦学习 + 多方安全计算 + 可信执行环境）打造的隐私保护型合作模式。在该模式下，左木莲安与合作方（如银行、互联网平台、核心企业等）的数据物理不流通、逻辑可建模，双方数据在加密状态下共同训练 AI 模型，输出模型参数而非原始数据。
该模式的核心价值在于：既解决了合作方“数据不能出域”的合规要求，又充分利用了左木莲安3.4亿+企业数据与3000+维度的特征工程能力，最终模型预测精度比单一数据源提升 20-40%。
技术栈
三栈融合：左木莲安将联邦学习（FL）+ 多方安全计算（MPC）+ 可信执行环境（TEE）三种隐私计算技术栈深度融合，构建“纵深防御”的隐私保护体系，已在多家合作银行落地验证。
建模流程
需求定义
与合作方共同确定建模目标（风控/营销/反欺诈/客群分层）
数据对齐
PSI（隐私集合求交）确定共同样本，数据不出域
加密训练
基于联邦学习框架，多方加密协同训练模型
模型评估
AUC/KS/PSI 等指标评估，输出模型效果报告
模型部署
模型参数部署至合作方侧，推理过程不暴露原始数据
持续迭代
监控模型效果，定期增量训练保持模型新鲜度
应用场景
联合客群分群模型
银行自有客户数据 + 左木莲安企业全维度数据，联合训练客群分群模型，提升营销精准度。
联合反欺诈模型
银行交易数据 + 左木莲安工商/司法/舆情数据，联合识别团伙欺诈、虚假贸易背景等高风险行为。
联合额度定价模型
结合银行内部负债/现金流数据 + 左木莲安外部经营数据，输出差异化额度与利率定价。
联合潜客挖掘模型
银行存量客户 + 左木莲安产业链数据，挖掘产业链上下游潜在融资客户。
合作优势
合规友好：数据不出域，满足《数据安全法》《个人信息保护法》要求
效果提升：模型预测精度比单一数据源提升 20-40%
资产保护：双方原始数据均得到保护，数据资产不流失
快速迭代：支持月度甚至周级增量训练，模型保持新鲜度
可解释性：输出特征重要性报告，模型决策可解释可审计