843
機器人
人工智能遇上零售信貸反欺詐，到底能發揮怎麼樣的作用？
說到人工智能，大多會聯想到聊天機器人、人臉識別、無人駕駛，但人工智能的應用絕不僅隻是停留在這些具象的前沿應用場景上，就金融領域而言，人工智能還可以通過深度學習技術幫助金融機構進行反欺詐以及降低信用風險。
欺詐一直以來都是銀行業的主要風險之一。銀行零售業務反欺詐的本質是對實施欺詐人員進行偽造身份、聯係方式、設備信息、資產信息等虛假信息的識別。傳統銀行擁有上億萬級的信息數據庫，但由於缺乏有效的科技手段，傳統規則的經驗式反欺詐模型已無法應對日益演進的欺詐模式和欺詐技術。
傳統銀行反欺詐模型的局限
銀行在偵測欺詐交易方麵通常會采用專家規則的方式，即行內人員通過對欺詐案例的欺詐主體、手段等進行分析和總結，形成專家規則。這種規則的有效性是毋庸置疑的，但是同時也存在一些不足：首先，專家規則是由人來製定的，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則，以應對欺詐行為的持續變化。諸多因素導致專家規則目前在罕見的、新的欺詐案件上有所局限。
小眾的欺詐事件越來越難以用商業經驗和確切規則描述出來，國內目前的欺詐都是rule base（規則驅動）的，即憑借過往經驗和從此前發生過的事實中，抽象出係列規則，每一條規則觸發一種欺詐場景，交叉組合所施加的業務邏輯判斷，就構成了欺詐模型。
但在這個過程中，傳統規則的模型就會帶來很多問題，比如申請欺詐就很難將一些難以描述的規則抽象出來。
例如，團夥在某村莊以招工的名義大量收取村民的身份證，並申請信用卡，然後刷卡透支，讓村民背負銀行債務。此時，銀行按照過往經驗便會判定該村地址為欺詐地址，使該村村民抹上信用汙點，然而事實並非如此。因此，對於抽象的、難以描述的金融現象，便可以借助機器處理。
什麼是機器學習？
作為人工智能最重要的技術——機器的深度學習，其最大價值就是能夠做特征表達，通過一個數學的複雜結構來表達一些以往很難描述的金融現象，因此特別適合處理風險、欺詐以及金融產品的營銷這些依靠過往經驗難以準確定量的事件。
深度學習在金融領域本質上還是進行特征提取和問題描述，因為在整個金融鏈條上，包括借貸、個人理財、等多種金融產品和服務上，數據都起著核心作用，尤其是銀行，擁有著上億規模的標注數據。
機器的深度學習可以將這些數據通過特征表達的方式轉化到複雜的數據模型上，並依靠深層的神經網絡，生成多層非線性的表達，這種表達可以代替原先的簡單描述。例如Alpha go，就是利用深層的神經網絡解決了對棋手棋風的描述和棋手大局觀的定義問題，從而使之戰勝世界級冠軍。
事實上，國內目前將人工智能的深度學習技術與信貸申請反欺詐相結合的應用還比較少，算話征信是為數不多的在此領域獲得市場認可的風控服務商，其欺詐及早期風險識別服務采用知識圖譜技術，是深度學習的典型代表。
機器深度學習提升反欺詐能力
利用機器的深度學習技術反欺詐的原理，實際上是從銀行反欺詐的脆弱點著手，不再隻通過傳統策略引擎，而是通過機器收集到大量異構、多源化的信息，包括可交叉驗證信息主體所提供的信息以及第三方信息來源的真實性，形成共享庫。
通過對數據的采集和分析，再通過機器學習及複雜網絡等模型算法技術，對數據進行深度挖掘，從傳統曆史數據中量化抽取風險特征指標，利用複雜網絡關聯分析技術從曆史違約數據中發現實時欺詐業務風險指標，豐富深度學習風險模型的業務維度，建立人工智能反欺詐模型，從而發現欺詐者隱藏的蛛絲馬跡，分析其數據的矛盾點和可疑點，從而識別欺詐者身份，加上與傳統經驗規則配合使用，大幅提升銀行欺詐風險的防控能力。
欺詐分析所使用的數據主要來源於內部數據和外部數據，針對不同的數據源，通過多種采集方式對數據進行有效采集，並集中在數據湖中進行融合存儲。根據預測模型分析的需求，通過配套的數據處理技術工具對數據進行預處理，最終輸出模型訓練所需的樣本數據。
就拿上述某村莊信用卡申請欺詐為例，銀行可以利用複雜網絡（Complex Network）技術，在不從外部引入新數據的情況下，抽取現有進件數據（application form）的關聯性，從每一個進件與進件的關聯中分辨出是否使用類似的電話號碼、類似的地址以及類似的區域，建立的社交關聯屬性與其他金融數據輸入深度學習網絡做有監督的訓練，在數十萬欺詐案例數據上得到一個動態識別模型。
去年10月，美國政府發布的《為人工智能的未來做好準備（Preparing for the Future of Atificial Intelligence）》報告稱，機器的深度學習是人工智能最重要的技術手段之一，同時也是人工智能取得很多進展和商業應用的基礎。該報告同時還提到，現代機器學習是一個始於大數據的統計學過程，通過數據分析推導出規則或者流程，用於解釋數據或者預測未來數據。
在金融科技領域，大型金融實體與Fintech企業的合作上具有獨到優勢，因其多年曆史沉澱下來的數據，不僅僅是行為數據，更有有價值的違約數據，與人工智能目前的發展階段非常匹配——即提供給機器“答案”的學習。
未來，隨著人工智能的逐步成熟，例如當下GAN對抗神經網絡等科技演進，讓機器自主選擇方法，我們不僅不再需要描述問題，或為提供答案而承擔昂貴的試錯成本，而是麵向最終安全的反欺詐目標，由人工智能提供麵向“目標”的學習。
版權聲明：
圖片授權基於vrf協議
最後更新：2017-08-23 11:07:16