機器深度學習提升反欺詐能力

時間：2022-03-24 09:24:01 | 來源：行業(yè)動態(tài)

時間：2022-03-24 09:24:01 來源：行業(yè)動態(tài)

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，再通過機器學習及復雜網(wǎng)絡等模型算法技術，對數(shù)據(jù)進行深度挖掘，從傳統(tǒng)歷史數(shù)據(jù)中量化抽取風險特征指標，利用復雜網(wǎng)絡關聯(lián)分析技術從歷史違約數(shù)據(jù)中發(fā)現(xiàn)實時欺詐業(yè)務風險指標，豐富深度學習風險模型的業(yè)務維度，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險的防控能力。

欺詐分析所使用的數(shù)據(jù)主要來源于內(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)預測模型分析的需求，通過配套的數(shù)據(jù)處理技術工具對數(shù)據(jù)進行預處理，最終輸出模型訓練所需的樣本數(shù)據(jù)。

就拿上述某村莊信用卡申請欺詐為例，銀行可以利用復雜網(wǎng)絡（Complex Network）技術，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）的關聯(lián)性，從每一個進件與進件的關聯(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，建立的社交關聯(lián)屬性與其他金融數(shù)據(jù)輸入深度學習網(wǎng)絡做有監(jiān)督的訓練，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(yè)應用的基礎。該報告同時還提到，現(xiàn)代機器學習是一個始于大數(shù)據(jù)的統(tǒng)計學過程，通過數(shù)據(jù)分析推導出規(guī)則或者流程，用于解釋數(shù)據(jù)或者預測未來數(shù)據(jù)。

在金融科技領域，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習。

未來，隨著人工智能的逐步成熟，例如當下GAN對抗神經(jīng)網(wǎng)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，而是面向最終安全的反欺詐目標，由人工智能提供面向目標的學習。