在数据应用需求日益强烈但数据安全威胁却日益严峻的两难困境下，以联邦学习为代表的隐私计算技术在保护数据安全的前提下，为数据的价值释放提供了一个切实可行的解决方案。联邦学习能够解决传统模型所不能解决的原始数据泄露、模型资产流失、模型效果不足等问题，在多个场景得以应用，调节了金融数据共享与数据隐私保护之间的矛盾。

以合规为基石，百融云创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。

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。

百融云创通过在金融科技领域的不断探索与尝试，取得了数据洞察、联邦学习、风控云平台、BI分析、模型监控等多项软著权。百融云创在技术研发上坚持自主创新，将联邦学习发展成为统一数据协作和隐私保护的技术解决之道，为金融机构的转型升级提供了技术支撑。百融云创通过科技手段打造的“产业+科技+金融”生态圈，在资金和资产之间架起双向互动桥梁，实现精准匹配，助力产业优化升级，推动实体经济的发展。

百融云创从技术层面为金融机构提供了更加安全的数据解决方案，实现了对数据自身价值的保护以及对用户隐私授权的保护，解决了跨设备、跨机构间的数据融合问题。百融云创仍会在现有技术和丰富经验的基础上挖掘新的数据增长点，带动金融行业的进步。