示例：高震抖音集團資料及隐私法務部總監。
看到第二個案例是說這樣的一個技術由優化車聯網場景的智能算法。這裡的場景是說在車聯網算法服務的場景存在一類服務，這個算法可以根據車内外的環境因素去提供相應的推薦服務。
比方說根據車内外的空氣品質、溫度、風力來去推薦開開啟或者調整車内空調的溫度或者是幫助去建議打開車窗等等這樣的智能算法服務。這樣的算法可以部署在車監本地來運作。但是如果算法需要優化需要訓練，可能不可避免的要使用車監端使用者操作的真實資料。
傳統的技術方案可能就是把使用者的真實資料直接傳到算法的服務端來進行學習和訓練。這些資料就是剛才講的這些客觀環境因素也包括了算法。做完推薦之後使用者的回報，比方說推薦你開車窗，但是使用者可能拒絕了開車窗。可能這個時候這些回報資料對于算法的學習具有很重要的作用。
傳統的無非就是銘文上報，這個時候可能存在着擁護個人資訊安全的問題以及隐私保護的問題。汽車資料安全若幹管理規定也提出了非有必要，不像車外傳輸的原則。在安全背景下法律的背景下可以實作的就是在訓練的過程中不再需要有每一個車機端去上傳具體的使用者資料，不再去上報使用者的身份id或者車機的裝置标示符。
仍然在本地可以。仍然能夠實作對算法模型的訓練，需要向服務端傳輸的隻有模型的梯度資料。這樣的一種技術方案其實本身就避免了使用者個人資訊被從使用者的環境當中傳輸或者收到算法服務端或者企業的控制、控制環境當中。
可以想想這種技術方案向下使用者的資料安全、隐私保障都可以得到很好的保護。同時這樣的一個技術方案也很好的支撐了這種算法的優化，也實作了這種科技向善、科技為人的目标。
