AI技术难以落地?桃树用实际案例告诉你不一样的故事(5):机器学习与反欺诈
来源:桃树 | 作者:杨子 | 发布时间: 2017-11-29 | 193 次浏览 | 分享到:
有欺诈,必然就要反欺诈。
导读:欺诈给银行造成的损失是巨大的,因为反欺诈是每一家银行都会重视的场景,与“欺诈”行为斗智斗勇的过程中,随着欺诈技术的不断提升,反欺诈急需机器学习技术来助一臂之力。

桃树科技是一家创始人有超过十年人工智能科研及实践经验,且团队已经成功在多家客户落地人工智能解决方案及产品的AI公司。桃树以一系列实战案例,展示人工智能如何从象牙塔走进企业,又为何将成为未来商业社会的基础设施。

今天我们分享的是桃树的机器学习技术在反欺诈场景的应用。

一、 申请反欺诈与交易反欺诈

因其行业特性所决定,银行金融业一直备受欺诈的困扰。仅银行卡欺诈每年造成的损失就逾百亿,欺诈发生率率高达万分之二。欺诈交易一旦发生,不仅银行的业务会受到影响,产生直接的经济损失,更可怕的是对金融机构的声誉也会造成极大的负面影响。

因此,一套有效的反欺诈系统,往往是银行最重要的核心武器之一。银行业务中最常见的欺诈类型主要包括申请欺诈交易欺诈



1. 申请欺诈的主要类型:
 1.第一方申请欺诈:欺诈者伪造部分档案去金融机构获取信贷产品。第一方申请欺诈通常占总申请人数的0.5%-1% 
 2.第一反应申请欺诈:欺诈者通过真实数据开户头,通过养流水或者信用记录来提高额度,在额度最高时从金融机构卷走现金。一般约6-9个月潜伏期。 
 3.第三方申请欺诈:欺诈者盗取他人信息到金融机构申请信贷产品。约40%的申请欺诈是第三方欺诈。 

2.
交易欺诈:
一般指第三方欺诈,即所发生的交易非持卡人本人意愿的交易。通常是犯罪者利用各种渠道窃取信用卡信息,进行伪造卡作案。
第三方交易欺诈可分为以下几类:
 1.卡片伪造,由商户外泄、数据外泄等造成;
 2.卡信息泄露,如网购、邮购时发生欺诈。


二、 机器学习技术如何助力反欺诈的实施?

银行经过多年历史数据沉淀,拥有大量的历史违约和欺诈数据,是反欺诈的重点实施场景。但对银行来说,一些传统的反欺诈手段,如人工审查等,无论在效率、有效性、全面性以及成本上都有很大的提升空间。


机器学习技术在反欺诈场景的应用,其最大价值就是能够通过特征表达,用一个数学的复杂结构来表述一些以往很难描述的金融现象。


通过对数据的采集和分析,再配合机器学习算法技术如复杂网络等模型,对数据进行深度挖掘,从传统历史数据中量化抽取风险特征指标,利用复杂网络关联分析技术从历史违约数据中发现实时欺诈业务风险指标,丰富机器学习风险模型的业务维度,建立机器学习反欺诈模型,从而提高反欺诈的效率,更好地识别欺诈者身份,在与传统经验规则配合使用,大幅提升银行欺诈风险的防控能力。机器学习建模在覆盖绝大多数交易欺诈交易的情况下,与专家规则结合的机器学习模型能够为银行带来数目可观的额外的防堵金额收益。从而节省了银行的人力成本和运营投入。


三、桃树科技解决方案:申请反欺诈&交易反欺诈

反欺诈策略实质就是探讨挖掘和模型技术来预测欺诈的概率。桃树科技针对申请反欺诈和交易反欺诈,通过“建模-打分-预测”来完成。一套优秀的评分模型一定是基于统计分析的,可以准确和实时的进行风险评估。


反欺诈主要存在的几个问题: 问题定义难、标注成本高、黑样本少或无,白样本存在噪声、异常原因不好查明、并且欺诈者手段在进化。而使用AI技术助力反欺诈,难中之难在于如何挑选合适的方法去解决各环节所遇到的问题。


在桃树解决方案中,我们会根据银行的数据和业务人员的经验进行建模打分,并挑选出最适合反欺诈场景的算法。然后,再根据分值来预测哪些客户具有高欺诈风险,提前做出预判。


不仅如此,桃树的模型还能实现自动优化。在优化的过程中,模型可以会发现新的“欺诈”特征值,以循环交互的方式来完善业务人员的经验。反欺诈模型在不断学习业务人员的经验的同时,不断发现新的特征值,完善和提高业务人员的经验,让模型良性循环,让欺诈行为无所遁形。

如果你也已厌倦旁观期待新挑战,如果你有十八般武艺只待尽情施展,桃树有求贤若渴的金牌销售团队及极客技术团队,只等你来!

数据分析专家、数据建模专家、推荐算法工程师……更多职位及详情:http://www.taodatarobot.com/join-us.html




桃树只研发最前沿的机器学习应用技术

我们只发布最干货的大数据知识


微信扫码关注桃树公众号