金融風控“裝備”升級，人工智慧挽回千億損失

提到人工智慧， 我們會聯想到機器人、無人駕駛等感官上具象的體驗， 近期在各地成功上線的ATM機“刷臉取款”功能， 也讓大家見識到了金融機構的AI能力。 其實人工智慧早就已經開始介入整個金融流程， 從前臺的客戶服務、到中台的金融交易、再到後臺的風險防控。 不久前， 人工智慧技術與服務提供者第四範式發佈了可即時偵測欺詐交易的反欺詐解決方案， 就驗證了人工智慧在金融核心“風控”方面的分析和預測能力。

長期以來， 欺詐一直是金融機構的隱痛， 僅支付行業每年因欺詐造成的損失就接近千億，

銀行過去如何解決這個問題呢？主要是由銀行的案件中心對歷史的交易欺詐案件進行分析， 基於此整理出上百條強規則——例如某筆交易的金額大於某個數額， 或是在短時間內該筆交易的地點與上一個交易地點之間距離過大等。 凡是符合這些規則的， 案件中心會暫時判斷它可能是欺詐交易， 由客服介入來與客戶進行確認。 通過專家規則防守， 其有效性是毋庸置疑的， 但同時也存在一定不足。

首先， 在影響欺詐的因素中， 除了專家總結出的強規則， 還有很多長尾因素， 例如全國每一個區域發生交易欺詐的規律都是不一樣的， 過去專家只能對全國的交易進行分析， 而細化到省市縣， 這些規則其實是覆蓋不了的。

其次， 犯罪分子會通過試探來找到規則的邊界， 例如規則設定為“交易1萬元以上要進行審核”， 犯罪分子就會盜刷9999元， 因此這些規則需要持續的、及時的維護。 最後， 隨著互聯網的發展、欺詐手段日趨多元化， 對人來說很難快速準確地掌握所有新型欺詐手段的特徵與規則， 以抵禦犯罪分子的進化。

諸多因素導致專家規則目前在欺詐案件上有所局限， 而第四範式發現， 人工智慧技術其實非常適合像這樣有資料、（人工）服務不足， 且能帶來實際商業價值的場景， 因為從技術本質上說， 人工智慧其實只在做一件事——看資料， 然後寫規則， 從而替代原來由業務專家主導的總結規律、匯出規則的過程， 最終提升關鍵環節的生產效率。

相較於數量很難超過一千條、難以覆蓋長尾因素的專家規則， 第四範式設計出的機器學習反欺詐模型， 採用了全量資料樣本進行建模， 基於交易報文、使用者資訊、卡人卡片檔等各類資訊節點構建龐大網路圖， 機器能夠發現總量超過25億維的特徵集（規則）， 最終發現有效特徵8000萬維， 高維規則可以對個體進行更加精細的分析和評估， 從而提升欺詐預測的準確率。

此外， 專家總結的強規則很難命中”非典型“的新型欺詐手段， 但從資料上看， 這些”非典型“實際是一些模式（pattern）的變化， 機器學習對於出現概率低的異常模式（pattern）以及不斷更新中的特徵， 有較強的捕捉、總結能力。 因此， 即使欺詐手段發生細微的、亦或是徹底的變化，

機器學習也可以從案例中不斷自主更新學習， 自動適應新的欺詐手段。

第四範式反欺詐解決方案的核心優勢之一是可即時偵測欺詐交易， 據瞭解， 該系統基於“先知”平臺構建了一套面向機器學習場景的高性能、高可用架構， 能夠做到在交易行為發生時毫秒級響應，

從而將銀行現有的對可疑交易的“事後反欺詐”（主要通過電話確認）， 轉化為事中就給予提醒（即在交易進行過程中， 直接終止交易， 需要非常高的回應速度與準確率）。 極大地降低了銀行的損失， 同時節省了銀行的人力成本和運營投入。

過去， 當銀行發現客戶的交易有被欺詐嫌疑的時候， 在覆蓋60%欺詐交易的前提下， 每打1000個電話能夠發現1個欺詐， 難免給客戶造成困擾；而基於機器學習， 每打100個電話就能夠發現十幾筆欺詐。 目前第四範式的解決方案已經服務於擁有億級帳戶體系的金融機構， 大幅降低人力成本、提升金融風控及業務處理能力。