源于賬戶安適，發(fā)于技術(shù)創(chuàng)新，看似神秘又關(guān)乎你我生活，一窺過往，是為了更好地探索前行。上周我們介紹了交易監(jiān)控及反欺詐的前世篇，今天讓我們一起走進這個朝陽產(chǎn)業(yè)的現(xiàn)世今生。
交易監(jiān)控及反欺詐是一個復(fù)雜而棘手的問題，我國金融機構(gòu)內(nèi)部各條業(yè)務(wù)系統(tǒng)以自建風控模塊為主，導(dǎo)致風險數(shù)據(jù)匯聚碰撞效果弱，運維成本高;反欺詐辦法以重的信息安適防范手段為主，偶有數(shù)據(jù)分析類的防范手段但以事后控制為主;同時，多業(yè)務(wù)渠道匯聚成海量的歷史數(shù)據(jù)池與高并發(fā)的拜候數(shù)據(jù)流，對其進行實時分析是技術(shù)難題;此外，黑產(chǎn)的攻擊手段瞬息萬變，防范規(guī)則策略需要靈活快捷。
為了打擊和阻止交易欺詐，金融機構(gòu)可謂絞盡腦汁。正因交易欺詐行為模式和特征多樣化，同時與正常交易模式有較大的重疊區(qū)域，導(dǎo)致對其準確檢測的復(fù)雜度極高。
而這一切加速了創(chuàng)新技術(shù)的研發(fā)和應(yīng)用。
流式大數(shù)據(jù)技術(shù)
由于數(shù)據(jù)庫技術(shù)自己的限制，上一代交易反欺詐系統(tǒng)無法做到實時反欺詐。在基于數(shù)據(jù)庫技術(shù)做預(yù)處理的情況下，結(jié)合內(nèi)存數(shù)據(jù)庫，最多做到準實時風控。
流式大數(shù)據(jù)處理技術(shù)的出現(xiàn)，，突破性地解決了計算瓶頸的問題，使風控系統(tǒng)對海量數(shù)據(jù)和復(fù)雜算法下的處理效率，滿足事中風控的要求，也就是風控系統(tǒng)的響應(yīng)時間滿足99.9%的交易在100ms內(nèi);
與數(shù)據(jù)庫技術(shù)的根本區(qū)別在于，流式大數(shù)據(jù)技術(shù)的計算是邏輯先行，即先定義計算邏輯，當數(shù)據(jù)流過時實時計算并保存計算結(jié)果，當需要使用數(shù)據(jù)時，直接調(diào)用計算結(jié)果即可，無需再次計算。流式大數(shù)據(jù)技術(shù)可廣泛應(yīng)用于對數(shù)據(jù)處理時效性要求較高的場景，實時交易反欺詐是最適合的場景之一。
在流式大數(shù)據(jù)領(lǐng)域，主要有IBM、SAS、SAP等國外廠商為代表，但其處理性能較慢，用于準實時的數(shù)據(jù)分析處理，總體應(yīng)用成本在千萬美金級。但對國內(nèi)金融機構(gòu)來說，存在“水土不平”的可能。
國內(nèi)以邦盛科技為代表，其自主研發(fā)的流式大數(shù)據(jù)實時處理技術(shù)“流立方”，具有強勁競爭力，產(chǎn)品性能是國外主流產(chǎn)品的 10 倍以上。目前集群吞吐量少量節(jié)點即可達百萬筆每秒，平均延時 1 毫秒，打破了中國金融領(lǐng)域數(shù)據(jù)處理瓶頸，不但處理速度快，所需硬件、開發(fā)、運維成本較低。
智能決策引擎
風險決策引擎主要作用是實時對交易進行風險判斷，上一代風控系統(tǒng)的決策引擎主要是基于專家規(guī)則實現(xiàn)。專家規(guī)則一般是專家通過長時間的經(jīng)驗積累和對黑產(chǎn)的深刻洞察而編寫的，其優(yōu)點是可解釋性強，針對性強。缺點是無法對未知的風險進行識別，準確率/覆蓋率在必然程度無法提升。
近年來，隨著AI崛起，機器學習技術(shù)得以較快發(fā)展，使得我們可以利用海量歷史數(shù)據(jù)訓(xùn)練模型，基于客不雅觀的數(shù)據(jù)進行風險把控，來提升基于專家規(guī)則的風控系統(tǒng)的準確率/覆蓋率。
目前主流的機器學習技術(shù)采用的是有監(jiān)督學習模型。簡單的機器學習模型在特征工程階段需要必然量的業(yè)務(wù)經(jīng)驗參與，同時訓(xùn)練過程需要足量歷史黑樣本作為參照，模型的調(diào)優(yōu)需要有專業(yè)的建模人員，因此其門檻較高。
如果將機器學習與深度學習相結(jié)合進行模型訓(xùn)練，可有效選擇特征并劃分閾值和關(guān)系，同時創(chuàng)造特征及樣本，解決業(yè)務(wù)經(jīng)驗主導(dǎo)及數(shù)據(jù)冷啟動的困難。但由于機器學習模型是一個黑盒，其對風險的可解釋性不強，風險特征較難被理解。
總的來說，在金融行業(yè)，規(guī)則的適應(yīng)性更強、更易用。模型更多的是輔助規(guī)則，在某些風險場景下提高規(guī)則的準確率。但基于機器學習的智能決策引擎，將越來越受到重視，并在實踐中發(fā)揮更大的作用。
在AI領(lǐng)域，國外巨頭公司谷歌、亞馬遜也非常重視，國內(nèi)以BAT為代表的企業(yè)也紛紛布局。而在金融風控反欺詐細分領(lǐng)域，專注金融實時風控技術(shù)的邦盛科技，早在三年前就已布局，并率先把機器學習技術(shù)應(yīng)用到實踐中。
目前，邦盛科技已為易寶支付、途牛金融等金融企業(yè)安排了機器學習系統(tǒng)。同時正在為多家銀行安排機器學習系統(tǒng)。
機器學習技術(shù)的迅速發(fā)展使利用海量歷史數(shù)據(jù)訓(xùn)練模型成為可能，行業(yè)領(lǐng)先的公司已經(jīng)在使用專家規(guī)則/模型雙引擎系統(tǒng)，對案件的準確率、覆蓋率提升取得了很好地效果。流式大數(shù)據(jù)技術(shù)作為新一代風控系統(tǒng)的核心，把風控系統(tǒng)提升到了實時反欺詐，通過低延時、高吞吐量的數(shù)據(jù)處理能力為實時風控系統(tǒng)，尤其是模型的訓(xùn)練提供了強有力的支持。
