金融反欺詐，AI如何做到又快又准？

反欺詐在金融行業里是亘古不變的話題。在互聯網金融迅猛發展的今天，如何建立更為完備的風控體系，更精準地識別欺詐是重中之重。

在我國互聯網金融的整個風險控制中，欺詐風險是最為關鍵的一部分。據2017年一份數據統計，互聯網金融平均每100筆拒貸中，有47筆都是由於涉嫌不同程度的蓄意造假或欺騙。

目前地下黑產依舊猖獗，非法獲取個人信息對於一些不法分子來說代價並不算高。如果有人通過這些非法獲取的信息去申請貸款然後玩失蹤，不但讓貸款機構遭受損失，甚至讓無辜者莫名背上逾期記錄。那麼，AI技術能否為反欺詐賦能，幫金融機構築起一道智能保護罩？

從黑名單到「規則引擎」

防範欺詐的方式有很多，首先我們先來了解一下常見的反欺詐技術：黑名單和規則引擎。

大家在申請貸款時，其實是把自己的數據都提交給金融機構，以證明申請人是一個有償還能力並且守信用的人。一般而言，在傳統的銀行系統里，這些數據更多的呈現為一種關係型資料庫。

基於這個資料庫，金融機構會建立一套自己的反欺詐鑒別方法。最簡單就是建立一個「黑名單」。比如由於某人曾經貸款嚴重逾期，某銀行查詢到其徵信記錄後，就把他拉入「黑名單」，從此無論他申請信用卡或貸款，都無法在這家銀行得到批准。

黑名單的優缺點十分明顯，優點就是簡單方便，缺點就是無法發現新的欺詐分子。

規則引擎（rule base）是黑名單的升級版，是在上世紀引入人工智慧領域的概念。規則引擎基於人類的理解能力，從經驗中抽象出多條規則，每一條規則對應觸發一種欺詐場景，交叉組合相應的業務邏輯來進行判斷，由此來構建風控模型。

比如，經過一段時間的積累，某貸款公司發現，在不同的N家小貸公司申請過貸款的用戶騙貸幾率特別大，或者一段時間內有連續，貸款公司設定規則規則如下：

1. 一段時間內申請貸款6次以上的，拒絕其貸款請求；

2. 一段時間內貸款逾期累計6次以上的，拒絕其再次申請新貸款。

只要符合這兩種規則的任何一個，就會被貸款公司拒之門外。相比於黑名單，規則引擎可以檢測到新的欺詐者，算是有所一大步。但是，規則引擎卻無法檢測到新的欺詐模式。例如，甲、乙、丙、丁、戊此前徵信記錄良好，他們互相擔保後打算貸到款後集體跑路，依據一般的規則引擎，已經無法解決這個問題了。所以，由於經驗的不確定性，規則引擎通常需要投入大量的精力維護。

當「深度學習」應用於反欺詐

進入21世紀，人工智慧研究也有了進一步發展。現在談到人工智慧，最流行的應用就是深度學習模型了。深度學習模型可分為「有監督學習」和「無監督學習」，我們來看看有何不同的運用。

「有監督學習」模型

使用「有監督學習」通常需要大量的有標籤數據來訓練模型，以此來預測還未被標註的數據。

以識別騙貸來舉例，假設你把大量的已經由人工確認過的騙貸申請資料，輸入到有監督學習模型中，然後告訴TA：這些是騙貸者，請找出規律。於是模型開始工作，通過對身份、手機號等等欄位的識別，關鍵詞的識別等各種分析方法，找到了某種你沒辦法說得清楚的內在關係。為了方便說明，我們先來描述一些欺詐情形：

申請時填寫虛假地址的欺詐比例是精準地址的1.75倍；

申請時模糊地址的欺詐比例是精準地址的1.38倍；

申請時實際活動地址與提交地址不一致的情況下，欺詐率是地址匹配情況下的1.9倍；

……

經過大量數據的訓練後，再給模型一個未經判斷的貸款申請資料，模型通過檢測以上各個子項，並對每一個子項乘以權重後相加，就得出一個分數，比如某人的資料經過評價，有80%的可能性是騙貸者。

以上就是一個有監督學習模型的抽象過程，其中一個重要的步驟就是通過不斷的迭代計算每一個子項應該被賦予的權重值。

「有監督學習」模型的好處在於，它可以幫我們分析各種「隱層關係」。我們可以不必知道到底模型是如何做分析的，每一個子項被賦予了多少權重，我們只需要知道符合某種規則的就是壞人。此外，TA還有助於處理多維數據。由於規則是人憑實際經驗來制定的，而如果丟給你一堆數據，每一條數據都有成百個欄位，讓你憑肉眼分析其中的關係，你恐怕要抓狂了。此時，有監督學習模型就可以解決你的問題了。

當然，「有監督學習」也有一個明顯的「門檻」，就是訓練一個模型需要大量的數據，而且訓練一個模型也需要較長的時間。

「無監督學習」模型

「無監督學習」主要方式有聚類和圖形分析，無需任何訓練數據和標籤，通過發現用戶的共性行為，以及用戶和用戶的關係來檢測欺詐。

聚類分析」的示意圖

假設有這樣一群用戶註冊事件，通過聚類分析，發現其幾個小群符合某些共性。例如，註冊時間集中，都使用了某操作系統，某一個瀏覽器版本等。對任何一個單獨用戶分析，看上去都是再好不過的用戶了，而如果其符合某種超乎尋常的一致性就十分可疑了。例如，你發現一群人在凌晨2點-3點，採用某款特定的瀏覽器註冊了某平台、申請了某種貸款茶盤，其ip的前xx位相同，GPS定位數據小於1公里，且註冊後都去修改了昵稱和性別。如果有一群人的網上申請出現如此整齊的特徵，其可疑性就很大了。

圖形分析」示意圖

無監督演算法應用於反欺詐檢測，通常還有一個優勢，那就是提前預警。現在聰明的騙子都知道註冊後要潛伏一段時間再有所動作，以免太容易被發現。而由於其在潛伏期的行為依然符合某種規律，具有某些一致性，所以同樣還是會被「無監督學習」模型捕捉到。在攻擊發生前就指認騙子，這也是無監督之所以在反欺詐檢測大放光彩的重要原因之一。

▼▼▼

在實踐中，AI技術的引入將迅速提升金融機構欺詐風險識別能力，不僅可直接幫助金融機構降低貸款運營成本，更將因風控能力的提高而顯著增強市場拓展能力。一些金融機構藉助人工智慧、大數據等技術對信貸業務流程進行智能化改造，小額貸款時效由過去的幾個小時甚至幾天大幅縮短至3-5分鐘，效率的提升直接節省了大量的人力、物力，也帶來了更好的客戶體驗。

來源：加馬研究院