首页 > 观点

猛犸反欺诈CEO张克:人工智能将极大降低反欺诈系统的审核成本

观点 零壹财经 零壹财经 2017-07-21

关键词:人工智能反欺诈智能审核只能信贷金融科技

张克指出,人工智能将会极大地降低反欺诈系统的审核成本,在未来人工智能落地里面要做的核心的一件事情就是降低人的参与,更多的让机器去做。
7月21日,"2017·零壹财经新金融夏季峰会——解码金融科技蓝图"在北京召开,会议独家发布了《金融科技年度发展报告2017》。零壹财经(微信ID:Finance_01)邀请了智能信贷、智能理财、智慧银行、征信、保险科技、互联网众筹、第三方支付、金融区块链等领域的专家和高管,共同探讨金融科技的实践与蓝图,并重点交流智能金融和风控技术的发展与应用。

短短数年间,我国的新金融浪潮此起彼伏,行业主旋律逐渐从互联网金融切换到金融科技。在这背后,新金融从监管套利走向拥抱监管,从强调商业模式到强调技术创新,一个规范发展的金融科技时代正在来临。

在监管层面,以中国人民银行成立金融科技(FinTech)委员会为标志,金融科技正在成为我国金融监管的核心议题之一,得到了前所未有的关注。

此次峰会上,猛犸反欺诈CEO张克发表题为"金融风控中的人工与智能"的演讲。他指出随着金融业务的发展,对信任和了解这件事情带来的影响主要体现在两方面:一是渠道的由实转虚,这对技术的实时性提出更高要求;二是服务客群有很大的变化,客户在下沉。数据的金融属性比较弱,相关性比较弱,只能在非金融属性的里面寻找一些因子出来。

同时他还提出,人工智能将会极大地降低反欺诈系统的审核成本,在未来人工智能落地里面要做的核心的一件事情就是降低人的参与,更多的让机器去做。

附张克演讲原文:

张克:猛犸反欺诈是一家做人工智能反欺诈技术和方案的提供商,刚才两位人行的领导从宏观比较大的面上说金融科技,也说到了人工智能和区块链在应用场景里面有一些不完善。在我们的金融科技里面,或者在我们金融反欺诈这件事情里面,所谓的人工智能到底能做什么事情?它所谓的不够完善在我们的观点来讲,不完善在什么地方?这件事情的人工和智能之间相互的划分。

在银行业和金融业里面我们认为信任是一个基石,一个是我们对银行的信任,一个是我们银行对普通消费者的信任。现在我们的新的客户都是通过线上获取的,造成我们对客户的了解有困难,倾向于挑选一个体验好看起来安全的银行,但是体验好和业务安全两者之间有一些矛盾的地方。了解是信任的基础,我们要进行身份确认,这个身份之上附加很多的属性:收入阶层、年龄、消费习惯等等,经过对它的行为的分析,过去我们经常说"听其言观其行"线上这个人也有很多的行为,可以帮助我们了解。

随着金融业务的发展,我们对信任和了解这件事情带来的影响主要有两个大的变化:一个是渠道的由实转虚,现在我们基本上不到银行办业务,银行卡信用卡的消费还账都可以在手机上完成,我刚刚工作的时候我申请了招商银行的信用卡,作为刚毕业的人来讲其他银行的信用卡很难申请到,现在我不需要申请信用卡,直接到支付宝的花呗就可以用了。这就要求我对客户的实时性要求更高,所以蚂蚁金服提出所谓的310,尽量的缩短审批时间,这对我们的技术要求非常的苛刻,我们线上的数据都是异构的数据,实时的情况下如何很快的在线的处理异元异构的数据,同时数据还是海量的,这给我们带来很大的困难。另外我们的服务客群有很大的变化,客户在下沉,几百万的客群可能在银行机构里面所有的消费记录比较少,这些信用相关的征信相关的数据会更少一些,所以数据的金融属性比较弱,相关性比较弱,只能在非金融属性的里面寻找一些因子出来,这给我们带来一些挑战。

这个挑战结果就是数据量大,人力无法处理,各个渠道数据来的都不一样,到互联网上以后,欺诈成本变低,过去我们如果去银行网点办业务,欺诈成本非常的高,而在互联网上欺诈成本低,会产生很多的专业的欺诈团伙。在这些变化里面,猛犸反欺诈对新型的风控业务多层级的设想和实践跟大家分享一下,这是我们做的智能的风控平台,这里面有数据的变化,在数据来源这一块会有更多各种各样的数据来源,如何做一个语义的统一,在系统和平台上做统一的处理大多数的银行都完成了离线数据存储的平台建设,但是回到实时在线的处于比较空白的状态,实时空白的计算就是业务的感知能力,我们把多元异构的数据根据产品用户和业务做好关联,能够实时的做关联和处理。最后在上层建立的这个思考能力是对风控里面起到非常重要的核心作用。第一模式识别,这个人过去更倾向于做什么或者更倾向于不做什么,当一个人的交易行为发生异常,或者和过去产生比较大的差异的时候,这里面中间可能蕴含着比较大的风险。另外还有关联分析,这是很多信用和反欺诈都在做的关联图谱和欺诈网络的识别,都在使用这个技术,另外还有就是异常监测,这是猛犸反欺诈比较领先的技术。

所谓的反欺诈里面的人工与智能有一些事是人工做的,有一些事是机器做的。我们知道反欺诈成本构成,这些数据成本是不可避免的,你采集数据之后怎么把数据利用起来?这就是我们列在右边的"能力",这也分成两块:一个是人工的能力,还有一块是机器的能力。因为我们的业务基本上是24小时,一天360天不间歇的,机器不停,但是我们的工作人员晚上要睡觉,最好的方式就是让机器不停,当客户来的时候任何一个时间点我们都要为它提供服务,这是一个理想的状态,但是现在很难达到这个理想状态。

我们看一个比较全面的反欺诈系统如何划分这几个成本以及如何通过系统的优化来优化这个成本结构呢?这是目前通用的一种反欺诈和通用的模式,第一交易内部进来以后做数据库的匹配,我们积累的信用数据和黑名单都有,直接查一下。下一步进入反欺诈规则,这些规则会过滤一批业务的交易,拒绝掉一些高风险和欺诈风险的,然后我们查外部的征信数据,我们会产生允许交易和拒绝交易,最后不可避免的有一批要进入人工审核。这里面蓝色这两块反欺诈规则和人工审核这两块有很多的人力工作在里面,我认为这是我们要极力降低的,因为人力的成本比较贵。反欺诈规则所谓的人力成本在什么地方,我们需要有一些数据分析师和一些风控运营人员,每个周期看我们的业务数据,总结经验变成规则,这一块是人力,但是规则上线以后就变成机器。

最后进入人工审核这条线很多公司有一个严格的限制,所有的业务请求要保证10%以下或者15%以下进入人工审核。这里面如何引用新的技术让人力成本和机器成本更合适的匹配?第一个我们会引入机器学习的模型,很多公司都在做了,就是所谓的建模。一旦把模型确立建立起来,会自动的数据进来进行演算模型,我们人力的工作会相应的降低。还有一点就是提高人工审核的效率,这里可以做异常检测,一个人的行为和一次交易的行为并不能一次判断它一定被拒绝掉,但是因为人的行为的变化非常的巨大,我们认为风险很高。因为异常检测是很多维度上的,比如今天晚上2点钟打开一个银行手机的APP做了一次转帐,但是过去我通常都是早上5点到9点才做这这件事情,但是能否就判断我的账户是被盗了,不能,因为可能我今天晚上失眠了或者明天早上有急事,单一维度的异常并不能判断结果。如果我输入手机密码的速度和过去有不同,加上其他一些的行为异常都可以加大这个风险的概率,通过这些信息分析使人工可以比较容易的发现这里面可能有欺诈,通过机器和人的配合可以使风控运营的效率更高。

我已经知道什么样的人是坏人我们可以阻断掉,但是下面这一块我要做分析做判断,传统的过去人工审核就是让人判断某一次交易是否是过去从来没有见过的欺诈模式和新的欺诈者出现了。我们认为整体的金融业务的风控里面,你要做这件事情,它的成本是固定的,比如说它的成本100%,就是如何让机器承担更多的成本,降低人力的成本。这里面绿圈基本上是机器的成本,如果把我们更多的成本放到机器里面来的话,这个蓝圈里面人力所需要的资源就会相应降低,我们可以做像蚂蚁金服说的310"3分钟申请,1秒钟审批,0人工"。我们也在往这个方面在走,怎么让机器发挥更大的作用,人力更小。

这一周国家发布了人工智能的战略规划,到3030年定了一个目标,这个目标也是很宏大的目标,在未来人工智能落地里面我们做的核心的一件事情就是降低人的参与,更多的让机器去做,这也是我们做的一件事情,谢谢大家!

点击图片查看会议详情
5月10日,零壹财经·零壹智库在北京召开“2019零壹财经新金融春季峰会”。本峰会从全球金融科技数据分析与研判出发,聚焦风投、交易所、科技企业、监管层等众多领域精英,共同探索科技价值与资本力量。

上一篇>零壹财经柏亮:金融科技的新关键词 —— 善意,责任,周期

下一篇>激辩零壹财经金融科技峰会:人工智能离金融还有多远?


相关文章


用户评论

游客

自律公约

所有评论

主编精选

more

专题推荐

more

备战科创板(共9篇)


资讯排行

  • 48h
  • 7天



耗时 105ms