阿物以聯邦式學習 克服Cookieless挑戰

聯邦式學習門檻高 仰賴AI團隊協助

近幾年個人隱私權保護受重視，導致企業收集消費者資訊的難度大增。阿物建議在進入Cookieless時代，企業應該要加速發展聯邦式學習，透過AI模組共享方式，掌握消費者習慣的全貌。

採訪／施鑫澤‧文／林裕洋

面對零售業競爭日趨激烈，全家超商為求能在市場上保有領先地位，多年前即啟動數位轉型之旅，除 2016 年率先推出全家 APP 數位會員服務、全家行動購電商平台；2020 年整合 LINE 推出社群電商「全+1行動購」外，2021 年全家進一步攜手阿物科技(awoo) ，將旗下行動購平台導入阿物的 Awoo Marketing Platform（AMP）AI 解決方案，透過商業智慧洞察會員數據，擴大線上業績並加速線下商品開發。

此合作專案上線六個月後的成績相當亮眼，根據全家超商提供資料顯示，除帶動電商業績成長 90% 外，也提升自然流量成長近 70%，降低專案資本支出近 90%、服務導入時間降低節省約 80%。此亮眼成績，讓全家超商榮獲 2021 年 IDC 的「亞太區未來企業大獎」之數據智慧創新獎，展現零售龍頭的數位轉型典範。

[ 加入 CIO Taiwan 官方 LINE 與 Facebook ，與全球CIO同步獲取精華見解 ]

阿物科技創辦人暨執行長林思吾表示：「在 COVID-19 疫情推動零售業轉型，以及 Cookieless 時代無法再用 Cookie 追蹤消費者數位足跡等兩大趨勢下，awoo 與全家聯手的意義，一方面代表國內零售業者在 OMO 佈局進程迎來具體佳績；另一方面全家也為市場示範零售場域與 MarTech 技術的交集，成功透過數據驅動進一步耕耘會員經濟。」

聯邦式學習興起 有助活用資料

成立於 2016 年的阿物科技，是運用 AI 技術發展 MarTech 的公司，即結合人工智慧與行銷智慧，以 SaaS 模式推出台灣第一個 OMO 全通路行銷自動化平台。此種創新概念獲得市場關注，2017 年起獲得矽谷多位知名軟體投資家與企業家連續投資，至今平台上已有 20 個工具涵蓋流量獲取、轉換最佳化、再行銷、會員留存與數據加值應用，協助電商與零售打造線上線下無縫的客戶體驗。 目前，該公司於東京、嘉義與台北等地，均設有營運據點，並擁有超過 15 位專職科學家的 AI 團隊。

過去幾年，在考量資料隱私、安全的前提下，主打不需要共享資料、只需共享 AI 模型的聯邦式學習，成為市場上的顯學，特別是醫療產業正大舉運用此發展醫療 AI。目前市面上有眾多針對聯邦式學習設計的框架，涵蓋開源與商用版本，如 Clara、IBM Federated learning、FedML、Harmonia、PySyft、TF-encrypted 等等。林思吾強調，聯邦式學習已經是阿物的三大核心技術之一。

林思吾指出，近幾年個人隱私權保護備受重視，蘋果對於 App Store 的 App 追蹤功能有很多限制，至於 Google 方面，也承諾將 2022 年初終止 Chrome 瀏覽器支援 Cookie，且不再使用其他技術追蹤網路上的用戶。致使在收集用戶資料難度提高，跨公司、跨領域業者合作勢必將更為緊密。特別是在現今資料外洩事件頻傳下，多數企業通常不願意將資料上雲，在此狀況之下，若要用有限的資料訓練AI模型，最好方式自然是聯邦式學習架構，才能拼湊出消費者喜好的全貌。

AI 模型進化 可精準掌握市場動態

在聯邦式學習之外，阿物首席人工智慧科學家林國銘表示，阿物的核心技術還有在自動特徵工程，此技術運用自動化 AI 技術通過比對資料，執行溯因歸納、聚合轉換、重組搜索、演繹校驗等，進行解析萃取和生成有用特徵集，同時運用神經搜尋算法結合 MarTech 專家知識進行自動最佳化商用建模。該技術運行過程中，具備自動排程且不需特別編譯的程式碼，即能自動挖掘出更多隱含的關聯資料讓模型訓練模型，同時提供更多可解釋性特徵。

至於另一項核心技術-意圖解密，則是透過交互連結商品的理解與人的行為，進行一連串高效且多維的瀏覽軌跡運算、關鍵字詞萃取與自動特徵工程；動態偵測使用者意圖狀態變化，理解當前意向轉換至何處落點，同步進行一系列喜好、興趣、關注、關聯等模型結合 awoo NLP 與 CV 引擎，再結合搜爬與 SEO 關鍵字解密，做出最佳動態推薦。此兩項技術結合聯邦式學習後，就能有效掌握消費者的全貌，協助企業發展出合適的行銷策略。

「聯邦式學習類似將許多小腦的學習成果，彙整到全局的大腦之中。這很類似火影忍者主角-漩渦鳴人的影分身之術，每次運用影分身進行修煉的成果，最終都會回歸到漩渦鳴人身上。此舉除可解決資料隱私的問題之外，也能解決傳統資料迴圈的問題。」林國銘解釋：「在傳統學習架構中，由於 AI 模型常因私有化與封閉性而無法輕易再學習進化，鑑於此，聯邦式學習的特色在於共學私有機制，有別於傳統狀況，能使每一個參與其中的 AI 模型都有機會因為新資料的加入而成長，進而讓研發成果更貼近市場需求。」

掌握聯邦學習特性 發展最佳 AI 模型

雖然聯邦式學習的學習框架非常多元，甚至有開源版本可以選擇，其最關鍵的加密機制會建議自行開發或編修混用，以大幅降低被入侵和竊取的憾事。聯邦學習常用的同態加密分為: 半同態、全同態，每種加密機制的特性與適用場域不同，需要企業深入評估與判斷。

而在 AI 領域耕耘多年的阿物，也獨家開發的專屬聯邦式學習架構，是以結合聯邦學習與邊緣運算的機制，以專有去識別向量化技術進行高效且獨立的模型學習，在不共享任何機敏資料和保護個人隱私權的前提下，提供最貼近個人化的體驗。

林國銘指出，聯邦式學習進入門檻其實很高，不光是要避免明文傳輸導致資料外洩事件發生，特徵碼分析演算與運算策略的設置等，也得需要有一套完善的學習和修正策略，否則整體傳輸和運算成本會相當容易因為疊加量的關係大幅上升。當整體架構運行無礙後，搭配聯邦遷移學習進行快速跨產業或跨項目間的應用，將有更驚人的效用發生。在此狀況以下，勢必需要經驗豐富的 AI 團隊協助，才能兼顧成本、專案進度、成果等。

(本文授權非營利轉載，請註明出處：CIO Taiwan)