說到人工智能，大多會聯(lián)想到聊天機器人、人臉識別、無人駕駛，但人工智能的應(yīng)用絕不僅只是停留在這些具象的前沿應(yīng)用場景上，就金融領(lǐng)域而言，人工智能還可以通過深度學(xué)習(xí)技術(shù)幫助金融機構(gòu)進行反欺詐以及降低信用風(fēng)險。

 

　　欺詐一直以來都是銀行業(yè)的主要風(fēng)險之一。銀行零售業(yè)務(wù)反欺詐的本質(zhì)是對實施欺詐人員進行偽造身份、聯(lián)系方式、設(shè)備信息、資產(chǎn)信息等虛假信息的識別。傳統(tǒng)銀行擁有上億萬級的信息數(shù)據(jù)庫，但由于缺乏有效的科技手段，傳統(tǒng)規(guī)則的經(jīng)驗式反欺詐模型已無法應(yīng)對日益演進的欺詐模式和欺詐技術(shù)。

 

 

　　銀行經(jīng)過多年歷史數(shù)據(jù)沉淀，擁有大量的歷史違約和欺詐數(shù)據(jù)，是反欺詐的重點聚焦領(lǐng)域。但對傳統(tǒng)銀行來說，一些傳統(tǒng)的反欺詐手段，無論在效率、有效性、全面性以及成本上都是銀行的短板，尤其隨著互聯(lián)網(wǎng)金融的興起，非現(xiàn)場交易增多，更是加劇了銀行風(fēng)險防控的難度。

 

　　“小眾的欺詐事件越來越難以用商業(yè)經(jīng)驗和確切規(guī)則描述出來，國內(nèi)目前的欺詐都是rule base（規(guī)則驅(qū)動）的，即憑借過往經(jīng)驗和從此前發(fā)生過的事實中，抽象出系列規(guī)則，每一條規(guī)則觸發(fā)一種欺詐場景，交叉組合所施加的業(yè)務(wù)邏輯判斷，就構(gòu)成了欺詐模型，”天云大數(shù)據(jù)CEO雷濤在接受第一財經(jīng)采訪時表示。

 

 

　　“但在這個過程中，傳統(tǒng)規(guī)則的模型就會帶來很多問題，”雷濤表示，“申請欺詐就很難將一些難以描述的規(guī)則抽象出來。”

 

　　例如，團伙在某村莊以招工的名義大量收取村民的身份證，并申請信用卡，然后刷卡透支，讓村民背負(fù)銀行債務(wù)。此時，銀行按照過往經(jīng)驗便會判定該村地址為欺詐地址，使該村村民抹上信用污點，然而事實并非如此。因此，對于抽象的、難以描述的金融現(xiàn)象，便可以借助機器處理。

 

　　作為人工智能最重要的技術(shù)——機器的深度學(xué)習(xí)，其最大價值就是能夠做特征表達，通過一個數(shù)學(xué)的復(fù)雜結(jié)構(gòu)來表達一些以往很難描述的金融現(xiàn)象，因此特別適合處理風(fēng)險、欺詐以及金融產(chǎn)品的營銷這些依靠過往經(jīng)驗難以準(zhǔn)確定量的事件。

 

　　深度學(xué)習(xí)在金融領(lǐng)域本質(zhì)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(chǎn)品和服務(wù)上，數(shù)據(jù)都起著核心作用，尤其是銀行，擁有著上億規(guī)模的標(biāo)注數(shù)據(jù)。“機器的深度學(xué)習(xí)可以將這些數(shù)據(jù)通過特征表達的方式轉(zhuǎn)化到復(fù)雜的數(shù)據(jù)模型上，并依靠深層的神經(jīng)網(wǎng)絡(luò)，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，”雷濤稱。“例如Alpha go，就是利用深層的神經(jīng)網(wǎng)絡(luò)解決了對棋手棋風(fēng)的描述和棋手大局觀的定義問題，從而使之戰(zhàn)勝世界級冠軍。”

 

　　事實上，國內(nèi)目前將人工智能的深度學(xué)習(xí)技術(shù)與銀行反欺詐相結(jié)合的應(yīng)用還比較少，一些征信類公司開始通過提供豐富的外部數(shù)據(jù)資源來為銀行提供反欺詐技術(shù)支持。例如前海征信研發(fā)部門基于Encoder-Decoder深度學(xué)習(xí)技術(shù)框架設(shè)計的智能風(fēng)控專家機器人，可以應(yīng)用于銀行業(yè)風(fēng)控反欺詐領(lǐng)域，解釋貸款產(chǎn)品特性、借款人風(fēng)險識別、貸款產(chǎn)品政策等各類問題，高效智能地服務(wù)信貸審批、貸后風(fēng)控管理和資產(chǎn)組合經(jīng)理，提升信貸產(chǎn)品審批速度，降低客戶違約率，防范貸款欺詐風(fēng)險。

 

　　同時，一些金融科技企業(yè)也正在與銀行合作。例如天云大數(shù)據(jù)近期就利用其模型算法訓(xùn)練平臺（MaximAI）為光大銀行提供反欺詐方面的技術(shù)支持?；跇颖緮?shù)據(jù)進行一站式的模型算法訓(xùn)練、驗證以及輸出。訓(xùn)練完成的模型算法程序，被輸出到欺詐分析引擎中，運行于大數(shù)據(jù)平臺技術(shù)上，實現(xiàn)了實時在線對交易數(shù)據(jù)進行欺詐識別。

 

　　然而，目前在銀行反欺詐方面中國與北美的差距還是很大的，硅谷的金融科技創(chuàng)業(yè)公司很早就將這一技術(shù)應(yīng)用到金融反欺詐中。例如，京東和百度同時投資的美國金融科技公司Zest Finance，便是利用機器的深度學(xué)習(xí)這一人工智能中最重要的技術(shù)手段，從大量的數(shù)據(jù)中提取變量并采用多個預(yù)測分析模型包括欺詐模型、預(yù)付能力模型來幫助用戶降低信貸成本，其核心競爭力便是數(shù)據(jù)挖掘能力和模型開發(fā)能力。

 

 

　　利用機器的深度學(xué)習(xí)技術(shù)反欺詐的原理，實際上是從銀行反欺詐的脆弱點著手，不再只通過傳統(tǒng)策略引擎，而是通過機器收集到大量異構(gòu)、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(shù)據(jù)的采集和分析，再通過機器學(xué)習(xí)及復(fù)雜網(wǎng)絡(luò)等模型算法技術(shù)，對數(shù)據(jù)進行深度挖掘，從傳統(tǒng)歷史數(shù)據(jù)中量化抽取風(fēng)險特征指標(biāo)，利用復(fù)雜網(wǎng)絡(luò)關(guān)聯(lián)分析技術(shù)從歷史違約數(shù)據(jù)中發(fā)現(xiàn)實時欺詐業(yè)務(wù)風(fēng)險指標(biāo)，豐富深度學(xué)習(xí)風(fēng)險模型的業(yè)務(wù)維度，建立人工智能反欺詐模型，從而發(fā)現(xiàn)欺詐者隱藏的蛛絲馬跡，分析其數(shù)據(jù)的矛盾點和可疑點，從而識別欺詐者身份，加上與傳統(tǒng)經(jīng)驗規(guī)則配合使用，大幅提升銀行欺詐風(fēng)險的防控能力。

 

　　欺詐分析所使用的數(shù)據(jù)主要來源內(nèi)部數(shù)據(jù)和外部數(shù)據(jù)，針對不同的數(shù)據(jù)源，通過多種采集方式對數(shù)據(jù)進行有效采集，并集中在數(shù)據(jù)湖中進行融合存儲。根據(jù)預(yù)測模型分析的需求，通過配套的數(shù)據(jù)處理技術(shù)工具對數(shù)據(jù)進行預(yù)處理，最終輸出模型訓(xùn)練所需的樣本數(shù)據(jù)。

 

　　就拿上述某村莊信用卡申請欺詐為例，銀行可以利用復(fù)雜網(wǎng)絡(luò)（Complex Network）技術(shù)，在不從外部引入新數(shù)據(jù)的情況下，抽取現(xiàn)有進件數(shù)據(jù)（application form）的關(guān)聯(lián)性，從每一個進件與進件的關(guān)聯(lián)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(qū)域，建立的社交關(guān)聯(lián)屬性與其他金融數(shù)據(jù)輸入深度學(xué)習(xí)網(wǎng)絡(luò)做有監(jiān)督的訓(xùn)練，在數(shù)十萬欺詐案例數(shù)據(jù)上得到一個動態(tài)識別模型。

 

　　去年10月，美國政府發(fā)布的《為人工智能的未來做好準(zhǔn)備（Preparing for the Future of Atificial Intelligence）》報告稱，機器的深度學(xué)習(xí)是人工智能最重要的技術(shù)手段之一，同時也是人工智能取得很多進展和商業(yè)應(yīng)用的基礎(chǔ)。該報告同時還提到，現(xiàn)代機器學(xué)習(xí)是一個始于大數(shù)據(jù)的統(tǒng)計學(xué)過程，通過數(shù)據(jù)分析推導(dǎo)出規(guī)則或者流程，用于解釋數(shù)據(jù)或者預(yù)測未來數(shù)據(jù)。

 

　　在金融科技領(lǐng)域，大型金融實體與Fintech企業(yè)的合作上具有獨到優(yōu)勢，因其多年歷史沉淀下來的數(shù)據(jù)，不僅僅是行為數(shù)據(jù)，更有有價值的違約數(shù)據(jù)，與人工智能目前的發(fā)展階段非常匹配——即提供給機器“答案”的學(xué)習(xí)。

 

　　未來，隨著人工智能的逐步成熟，例如當(dāng)下GAN對抗神經(jīng)網(wǎng)絡(luò)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(dān)昂貴的試錯成本，而是面向最終安全的反欺詐目標(biāo)，由人工智能提供面向“目標(biāo)”的學(xué)習(xí)。