近日,福布斯发表了题为《超越算法的思考:数字时代的AI反欺诈》一文,文章作者DataVisor维择科技创始人兼CEO谢映莲阐释了企业应如何看待一个有效的反欺诈解决方案,如何在灾难发生前有效及时拦截攻击。

【原文如下】

今天,我们目睹了十年前几乎不可想象的事情,那就是机器学习和人工智能的主流化。

  • AI赋能生活

AI已渗透在全球各地人们的生活中:人们使用Alexa协助日常活动、用Spotify收听音乐时会匹配每个人的收听习惯和喜好、通过Netflix自动发现新电影、以及自动驾驶汽车的发展,不仅如此,智能机器人执行了从运输到自然灾害管理等无数工作,甚至人工智能正在帮助预测癌症的发病,这样AI赋能生活的例子比比皆是。

在反欺诈领域,人工智能和机器学习已准备好从根本上改变我们阻止网络犯罪的方式。但是我们也面临诸多挑战,因为目前我们的生活已很大程度转移到网上,尤其是财务方面,互联网大大降低了我们参与金融活动的成本,提高了效率,但是也存在风险。近年来发生的种种数据泄露事件都在提醒我们,我们的数据有可能遭到攻击,我们生活的大数据时代并不完全安全,现代网络犯罪正以大数据规模运作,欺诈者和我们一样也可以使用到AI、机器学习等最新技术。

  • 大数据规模的欺诈

现代欺诈者已达到一定成熟度。他们利用尖端技术,并以令人眼花缭乱的操作来升级技术、实施欺诈。此类欺诈往往是庞大的规模,且利用机器进行群体操作,宛如一支机器军队。欺诈者会访问暗网上的被盗数据用于各种攻击,从而造成数十亿美元的损失,还会对平台的名誉及信任度造成严重侵蚀。欺诈行为往往难以察觉,一旦攻击成功,其影响可能是毁灭性的。

欺诈攻防双方都有平等的使用新技术的机会,企业因此陷入了一场看似永无止境的比赛,且赌注很高。AI技术大体上代表着双方的力量,但获胜还受到许多其他因素的影响。如今,企业和技术供应商都在努力使AI落地,但道阻且长。

  • AI的理想与现实

许多报告显示,人工智能在各行各业的应用都在加速发展,因此许多机构都对此技术浪潮抱有极高的期待,但是在技术落地过程中,AI和机器学习的可操作性仍存在问题。单单去相信这些技术可以解决所有问题:机器训练、测试、部署后就能神奇地实现更高的效率,更低的成本和更高的利润,这样的相信并不靠谱。

在反欺诈的斗争之路上,理想与现实之间存在鸿沟。网络欺诈难以估量,其实每个人在日常网上交易和活动时都应该有反欺诈的意识,但是现实是,这份沉重的压力最终会落到企业平台身上。为了追赶欺诈攻击的快速发展,企业方和技术供应商们都想要尽快将基于算法的解决方案落地,但并没有取得显著的成果。为什么?

  • 超越算法的思考

为了战胜现代欺诈,每个人都需要超越算法来思考。无论企业选择哪种解决方案或部署策略,都需要基础设施来管理大量的结构化和非结构化数据。不管是通过内部自建还是通过外部的供应商,有效利用数据是专家团队进行操作的重要步骤,计算能力和大规模分析能力至关重要。同时,关注数据科学家、欺诈分析师、工程师等之间协作关系,需要此类协作系统和工具。虽然每个机构都需要找到适配其问题的独特解决方案,但基于AI的反欺诈管理解决方案的一些要素是几乎适用于所有情况的,尽管搭建这样的解决方案极其复杂。

  • AI成功的秘诀

“我开始研究我的生涯。我与自己领域的关系就像一家餐馆的食谱作者和这家餐馆一样。我贡献了至关重要的配方,但也只是我的一部分。我认为仅靠食谱是不能保证获得出色的烹饪经验的。成功的烹饪还需要专业知识、优质食材、正确的设备、精心设计的厨房环境等等。另外,我认为看似好的解决方案并不总是可以扩展的。比如我想扩大我的厨房产量,这和做饭好不好吃是两码事,而是在探讨煮一粒米还是一千粒米的问题,这就是为什么我们发明电饭锅,来保障无论订单多大,米饭都是完美的。”

全面的欺诈管理道理类似,仅有算法还不够,成功需要的不仅仅是规则、标签和可调整的模型。从模型、到数据、领域专业知识、算法以及欺诈平台的整个生态系统都是必不可少的,以确保全面防御各种攻击。欺诈检测模型需要数据、特征,而有效的数据管理和特征工程需要广泛的领域专业知识。模型的性能和效率取决于其可扩展性和计算基础架构,从而可以大量完成实时决策。

如今,许多围绕AI的讨论并没有有效表达出AI技术理想与现实之间的差距,但我们作为在此行业中奋斗的战士,应该去关注战胜现代欺诈的真正要求。

  • AI创造价值

当今的数字欺诈快速且多变,很难知晓它们的操作步骤。但是,诸如无监督机器学习(UML)之类的技术为欺诈团队提供了许多可能,那就是知晓未知信息的能力。无监督机器学习在很大程度上能有效应对新型、多变的攻击,在攻击形成的过程中及时发现并阻止。无需历史标签、漫长的训练时间或频繁的人工调整,即可完成此操作。

现代欺诈者是伪装大师,他们会竭尽所能掩盖自己的足迹,但他们还是难免会留下蛛丝马迹的漏洞。借助专业知识、经验、工具、技术的正确组合,比如基于无监督机器学习算法的反欺诈解决方案,可以在造成大规模欺诈损失之前将其阻止在攻击的路上。