长腿美女为食客扒虾:维择科技吴中:AI风控应用无监督学习破解“黑色产业链”

作者:采集侠   发布时间:2019-06-19 13:41   来源:网络整理

有组织有纪律有完整产业上下游地去利用一些互联网公司或金融机构的运营规则甚至风控漏洞,套取各种补贴和奖金,俗称“羊毛党”。随着智能手机普及、个人社会经济活动逐步线上化、金融科技渗透率大幅提高,人们的各类交易行为更加便捷之际,“薅羊毛”等行为似乎也伴随此中,甚至形成了组织严密的黑灰产链条,那么能否利用技术去解决这些风控漏洞?

近日在上海长宁举办的“2019全球新经济年会”上,带着上述问题,证券时报记者专访了维择科技(DataVisor)中国区总经理吴中,他当天也分享了AI在金融科技行业风控中的应用和优势,如何借助无监督学习技术,解决“黑色产业链”。

“相比最开始的单体欺诈、通过突破个人信用评级就能得到解决,可以看到的一个趋势是群体欺诈”,吴中告诉记者,比如有很多的团伙,甚至会通过中介包装,控制很多账号、身份资料,在业务各个环节去做大规模的攻击,例如盗取身份、欺诈开户、套现交易、非法集资等有组织的攻击,这也引起了各类机构的更多关注,因为一次可以造成比较大的伤害,所以会非常关心平台上存在的这些隐藏、潜伏、系统性的风险。

通过对黑灰产行为的研究和挖掘,吴中发现,“反欺诈渗透的环境未来不单是金融科技,也许也渗透到电商、社交、游戏、支付等环节里面。这里面有一部分跟支付金融相关的,有一些包括社交、电商。”在他看来,反黑灰产要对抗的已经不是单个的个体,而是一个比较成熟、有组织、分工明确、有技术能力、有AI能力的黑色产业链。

监测的数据显示,这类行为有几大特点:第一,更倾向于组织的攻击越来越严密,利用的技术手段都有一个目的,想把攻击行为做的更加分散,更加隐蔽。除了金融领域,社交、游戏、电商群组更加小、更加隐蔽。第二,以金融行业为代表,潜伏周期更长,账号从刚开始注册到真正发生一个攻击事件的时候,潜伏、养卡、等待的时间。最长的超过半年或者将近一年的时间都有。

那在现在这个情况下怎么用技术的手段解决这个问题?吴中介绍,最开始是大家熟知的专家系统,可解释性比较清楚,但是它有明显的缺点,它需要不停的、手工的更新知识,反应是比较慢的,而且需要大量的人工;很多企业从10年前开始做有监督的机器学习,本质上是积累很多过去的标签,用这个训练机器学习的模型。这个的优势是它比专家系统会总结出更多人类无法清晰总结出来的规则,但是它也同时受限于标签的积累和时效性。这两种方法在检测新型、未知的攻击模式的时候都会有一些问题。

“为了适应这种形势的发展,我们公司包括业内有一个趋势,大家也在看无监督的机器学习的做法。”吴中说,无监督的机器学习有几个优势:一是不依赖于过往的标签,能够比较有效的发现未知的欺诈。二是能够在生命周期比较早的时间,比如说在它刚注册,刚申请的时候就发现它可能存在着一些异常的行为。三是,相对于有监督学习来讲,有比较好的可解释性。简单来说,就是团伙欺诈会形成异常的聚集点,也就是俗话说的“好人分散,坏人扎堆”,通过这个原理,包括无监督技术可以有效的在这里面找出欺诈的群组。

在用技术解决问题的过程中,吴中介绍,需要有数据收集、数据治理、工程、设备建设整套体系,从一个核心的技术出发,产品dCube平台,这里面分成几层,一个是从底层的数据层,中层模型,还可以接入监督的机器学习规则。在这个平台上,不同的角色发挥不同的作用。欺诈风险分析师,可以定点分析中间的欺诈案件,产生一些防范的举措。数据科学家和工程师主要是聚焦在下面的模型,包括建模,数据治理这方面,合规官员可以看中间流程上是不是有操作性的风险。

据了解,维择科技DataVisor在美国硅谷、北京、上海等设有办公室、研发中心,主要的创始团队来自微软研究院,长期做了反欺诈方面的研究。业务模式是给国内外包括银行保险等金融机构、互联网机构、社交电商、游戏提供风控和反欺诈的服务。吴中介绍,当前在全球保护的账户数超过42亿、检测了超过2.2亿的坏户。