智能制造網(wǎng)APP
智能制造網(wǎng)手機站
智能制造網(wǎng)小程序
智能制造網(wǎng)官微
智能制造網(wǎng)服務(wù)號
智能控制
機器人
儀器儀表
物聯(lián)網(wǎng)
3D打印
工業(yè)軟件
回放
品牌
CINCON
【中國智能制造網(wǎng) 智造快訊】國內(nèi)金融領(lǐng)域一直面臨著很多挑戰(zhàn)，欺詐風險是其中為凸出的。隨著人工智能技術(shù)的發(fā)展，發(fā)欺詐手段有望獲得重大升級，進一步提高金融領(lǐng)域安全系數(shù)。
欺詐風險是國內(nèi)金融領(lǐng)域面臨的大挑戰(zhàn)之一，大部分金融機構(gòu)長期受欺詐影響。的風險管理咨詢公司Kroll發(fā)布的《 2016/17年度反欺詐及風險報告》指出，欺詐造成的受欺詐損失占營業(yè)額0.5%至3%之間不等(已核實的部分)，并且隨著欺詐手段日趨多元化，這一占比在逐年上升。因此，反欺詐已被金融機構(gòu)和監(jiān)管部門視為重要議題。
高維度機器學習模型：反欺詐方案的“內(nèi)核”
以往，銀行在偵測信用卡線下欺詐交易方面通常會采用專家規(guī)則的方式，即行內(nèi)人員通過對欺詐案例的欺詐主體、手段等進行分析和總結(jié)，形成專家規(guī)則。這種規(guī)則的有效性是毋庸置疑的，但是同時也存在一些不足：首先，專家規(guī)則是由人來制定的，但人的思維往往是采用“抓大放小”的方式，因而其難以覆蓋長尾的交易欺詐場景；其次，欺詐手段日趨多元化，但人很難快速準確地掌握新型欺詐手段的特征與規(guī)則，以應(yīng)對欺詐行為的持續(xù)變化。諸多因素導(dǎo)致專家規(guī)則目前在罕見的、新的欺詐案件上有所局限。而通過機器學習技術(shù)，可以大幅提升這些欺詐案件的偵測率。
第四范式基于”機器學習“的反欺詐解決方案，是通過從交易報文、用戶、卡片等信息、訓練出一個高維度模型，從而找出一些很難被專家規(guī)則發(fā)現(xiàn)的特征，這恰恰是機器所擅長的。
在數(shù)據(jù)預(yù)處理環(huán)節(jié)，第四范式的反欺詐解決方案采用了全量樣本進行數(shù)據(jù)建模。在特征工程階段，機器學習和專家規(guī)則一樣，首先需要抽取交易報文、用戶信息、卡人卡片檔等基本信息，之后再結(jié)合其他已有數(shù)據(jù)，在符合業(yè)務(wù)邏輯的情況下，通過將交易報文中的原始字段進行超高維組合、衍生。終，對比于總數(shù)在千條之內(nèi)的專家規(guī)則，第四范式設(shè)計的大數(shù)據(jù)機器學習模型的反欺詐特征體系，在總量超過25億維的特征集上進行探索，終發(fā)現(xiàn)有效特征8000萬維，如此高維的規(guī)則是很難被不法分子攻破的。
此外，機器學習對于出現(xiàn)概率低的“非典型特征”以及不斷更新中的特征，都有著超強的識別、總結(jié)能力。交易欺詐從數(shù)據(jù)上看實際上是一些模式(pattern)的變化，如果是非典型的欺詐手段，較難被專家規(guī)則命中，但機器學習的模型可能捕捉到這些異常模式(pattern)。具體來說，某次交易會同時命中多條弱模式(pattern)，從而識別出該筆為欺詐交易。除此之外，即使欺詐手段發(fā)生徹底的變化，機器學習可以從案例中不斷自主更新學習，以適應(yīng)新的欺詐手段。
第三代實時反欺詐架構(gòu)：反欺詐方案的“載體”
擁有出色的模型之后，如何將它應(yīng)用在反欺詐體系中成為了另一道難題。模型越出色，則意味著對系統(tǒng)架構(gòu)的要求約苛刻。
首先，在延遲方面，每筆信用卡交易的時長基本上在一百毫秒以內(nèi)，換句話來說，實現(xiàn)對欺詐交易的阻攔全過程要控制在毫秒級，因此留給模型判斷的時間非常短暫。如果處理過慢計算結(jié)果就會被丟棄，間接影響反欺詐效果。其次是穩(wěn)定性。穩(wěn)定性是指兩個方面，其一是系統(tǒng)的高可用性，反欺詐系統(tǒng)必須保證較高的服務(wù)可用率。其二是系統(tǒng)的響應(yīng)穩(wěn)定性，比如在所有交易請求中，99%的交易響應(yīng)時間需要控制在一定的范圍內(nèi)(P99)。后是如何支持機器學習對高位特征計算以及預(yù)估的需求。
此前，銀行共出現(xiàn)了兩代實時反欺詐架構(gòu)。代的實時反欺詐架構(gòu)雖實現(xiàn)了對當前交易進行欺詐識別需求，但是無法滿足專家規(guī)則對交易歷史數(shù)據(jù)需求，且流式計算引擎運行較為復(fù)雜，難以保證在限定的時間內(nèi)完成所有規(guī)則的計算。
突破技術(shù)壁壘 人工智能為銀行反欺詐提供新思路
相比于代，第二代的實時反欺詐架構(gòu)引入對歷史交易數(shù)據(jù)的支持，也支持了較為簡單的機器學習算法，但支持的特征維度小于1萬，無法充分發(fā)揮機器學習的能力，且系統(tǒng)響應(yīng)的穩(wěn)定性仍需提升。
突破技術(shù)壁壘 人工智能為銀行反欺詐提供新思路
針對前兩代反欺詐框架的弊端，第四范式的工程開發(fā)人員從架構(gòu)層面做了更加深入的優(yōu)化，提出了第三代反欺詐技術(shù)架構(gòu)，其優(yōu)勢有以下三點：
1. 第四范式的實時反欺詐架構(gòu)是一套真正面向機器學習場景的架構(gòu)，目前已支持別的高維特征。
2. 第四范式的實時反欺詐架構(gòu)有效結(jié)合了對長、短歷史交易日志和交易行為的學習和應(yīng)用。例如選擇當前交易近一個月內(nèi)的交易行為記錄做實時的聚合與特征抽取；選擇當前交易近四個月或者更長時間的交易記錄做線下預(yù)聚合與特征抽取，并對預(yù)估模塊做定期更新及優(yōu)化。
3. 第四范式的實時反欺詐架構(gòu)在保證系統(tǒng)穩(wěn)定性的同時，保證P99控制在限定的時間內(nèi)，實現(xiàn)了系統(tǒng)的高性能和高可用。
突破技術(shù)壁壘 人工智能為銀行反欺詐提供新思路
此外，該反欺詐模型在保證行業(yè)通用性的同時，還能通過自身研發(fā)達到佳的模型效果，且每個模塊都具備通用性，均可以根據(jù)不同的業(yè)務(wù)實現(xiàn)單獨的定向配置。未來，該模型還可應(yīng)用于更多實時、性能要求高的業(yè)務(wù)，更好地發(fā)揮其優(yōu)勢。
機器學習為銀行反欺詐帶來新契機
第四范式的機器學習模型在不同覆蓋率的情況下，準確率比照專家規(guī)則和傳統(tǒng)模型都有了極大提升。在對高危欺詐交易的偵測上，機器學習的模型效果顯著，甚至能將現(xiàn)有的對可疑交易的“事后反欺詐”(主要通過電話確認)轉(zhuǎn)化為“事中反欺詐”(在交易進行過程中，直接終止交易，需要非常高的準確率)，節(jié)省了銀行的人力成本和運營投入。而在覆蓋絕大多數(shù)交易欺詐交易的情況下，與專家規(guī)則結(jié)合的機器學習模型能夠為銀行帶來數(shù)目可觀的額外的防堵金額收益。
與業(yè)界、訓練數(shù)據(jù)龐大的卡組織提供的反欺詐解決方案相比，第四范式的反欺詐模型僅依靠某銀行的交易數(shù)據(jù)，便做到了更加出色的效果。
通過評估，機器學習技術(shù)與傳統(tǒng)專家規(guī)則結(jié)合，反欺詐的效果將更為出色。未來在實際應(yīng)用中，隨著機器學習模型與專家規(guī)則的深入結(jié)合，行內(nèi)人員將會逐漸減少更新傳統(tǒng)專家規(guī)則的時間，將更多的精力放在優(yōu)化機器學習模型上，使反欺詐系統(tǒng)達到優(yōu)效果。
由第四范式自主研發(fā)的反欺詐解決方案，通過人工智能技術(shù)為欺詐風險進行的預(yù)測和評估，協(xié)助金融機構(gòu)及時發(fā)現(xiàn)、規(guī)避潛在欺詐風險，將金融領(lǐng)域反欺詐業(yè)務(wù)的智能化趨勢。第四范式具備眾多經(jīng)驗豐富的一線互聯(lián)網(wǎng)公司前、后端開發(fā)人員，以及出色的科學家團隊，將的人工智能技術(shù)轉(zhuǎn)換成可落地的人工智能產(chǎn)品及解決方案。此外，團隊成員還包括來自投行、咨詢公司、金融機構(gòu)的行業(yè)專家和資深顧問，把對行業(yè)的深厚理解和對人工智能技術(shù)的嫻熟運用相結(jié)合。
原標題：突破技術(shù)壁壘 人工智能為銀行反欺詐提供新思路
浙公網(wǎng)安備 33010602000006號
智能制造網(wǎng)APP
智能制造網(wǎng)小程序
微信公眾號
