互联网时代，一切源于数据。

随着人工智能技术的兴起，数据的质量和数量，已经成为了影响机器学习模型效果最重要的因素之一。然而数据在使用的过程中，也面临着诸多问题，如数据的隐私问题和数据的不规则、不完整等问题。

为了让大家更好的了解数据隐私与数据的非结构化问题，12月8日晚7点，智东西公开课联合英特尔推出了英特尔AI百佳创新激励计划数据智能专场，由英特尔AI百佳创新激励计划优秀企业代表富数科技和Zilliz共同参与。其中富数科技首席科学家陈立峰的讲解主题为《基于TEE增强的联邦学习与多方安全计算平台解析》，Zilliz 数据工程师李晴的讲解主题为《开源向量相似搜索引擎Milvus的框架与应用》。

数据的隐私问题一直是人们所关心的焦点问题。尤其是工业界来说，随着对数据安全的重视和隐私保护法案的出台，以前粗放式的数据共享受到挑战，各个数据拥有者重新回到数据孤岛的状态。

而如何解决数据孤岛，成为AI行业需要解决的首要问题之一。当前业界解决隐私泄露和数据滥用的数据共享技术主要有三条路线。一条是基于硬件可信执行环境（TEE：Trusted Execution Environment）技术的可信计算，TEE字面意思是可信执行环境，核心概念为以第三方硬件为载体，数据在由硬件创建的可信执行环境中进行共享。一条是基于密码学的多方安全计算（MPC：Multi-party Computation）。第三条路线是最新提出的一种人工智能基础技术-联邦学习（Federated Learning）。

国内对于数据共享场景的机器学习解决方案主要是联邦学习，那么如何基于TEE增强联邦学习并构建多方安全计算的平台呢？在本次的专场讲解中，陈立峰老师将会从工业界中的数据隐私问题出发，详解Intel SGX软件保护方案以及Avatar平台中的TEE联邦学习与算法逻辑保护实现，同时也会介绍一些Avatar安全计算平台的应用案例。

随着数据量的指数级增长，如何挖掘数据的价值成为了企业面临的巨大挑战。同时，现有的数据多为没有预定义的数据模型，不方便使用数据库二维逻辑表来表现的非结构化数据。其数据特征多为高纬度的特征，如描述图像视觉特征的数据基本是百维以上。

而随着深度学习算法在非结构化数据处理中的广泛应用，对深度学习模型的主要输出-高纬度特征向量，进行准确、高效的检索已经成为了数据分析中的关键问题。而“维度灾难”问题导致传统的树形高维索引性能急剧下降，在数据规模和检索性能上很难满足需求。

那么如何构建高效、方便、可扩展并可满足需求的搜索引擎呢？Ziliiz公司在2019年开源了一款面向非结构化数据近似检索和分析的向量搜索引擎。在本次的专场的讲解中，Ziliiz数据工程师李晴将会从非结构化数据的分析出发，向大家全面解析向量相似搜索引擎Milvus的框架以及基于Intel AVX-512的向量搜索优化，最后也会介绍到Milvus的应用案例。