无监督机器学习

无需历史数据标签即可提前检测新型未知欺诈。

DataVisor维择科技的核心技术是无监督反欺诈技术(UML),区别于传统的反欺诈检测技术,应对当下有组织且分工明确的团伙欺诈时,可多方位高维度查看多个账号之间的关联,聚类出可疑群组,识别整个欺诈团伙。无监督反欺诈技术的优势在于无需历史数据标签,即可跨行业多场景识别各类欺诈攻击,解决多元化的业务痛点,拥有超高覆盖率和准确率,提早发现未知恶意活动并及时拦截,帮助企业降低欺诈风险。

UML技术原理

无监督机器学习优势

提前检测新型攻击

以行业经验进行规则创建和模型训练的传统反欺诈解决方案通常无法发现新型攻击,无监督机器学习能够挖掘账号之间的隐秘关联,即时检测未被发现过或未在训练数据中标记的新型攻击。

检测团伙欺诈攻击

现代欺诈通常为有组织的团伙型欺诈,欺诈分子会模仿正常用户行为来逃避检测。无监督的欺诈解决方案通过查看高维度的账号脱敏信息和活动,有效区分潜伏的欺诈账号与正常账号的不同。

即刻生效 自动调优

区别于传统规则引擎和有监督机器学习的解决方案,需要大量人力测试和验证,解决方案的性能和效率也会日渐衰减。无监督机器学习不强依赖于过往经验,而是挖掘现有行为的关联性和相似性,保持模型即时有效。

 

无需标签输入

区别有监督机器学习引擎需要大量标签并反复训练数据。无监督机器学习能自动挖掘账户之间的可疑关联性和相似性,聚类出可疑群组,部署后即刻生效。

适配多业务场景

与单个场景的单点解决方案相比,通过对线上业务中用户属性和行为相关性的分析,发现难以察觉的团伙欺诈行为,有效应对多行业多场景的线上欺诈问题。

输出群组结果

与黑白名单、规则引擎等单一检测手段不同,分析和捕捉线上欺诈团伙,有效应对不断进化的现代欺诈攻击,输出群组结果,输出多样化风控策略。

运用无监督机器学习保护用户的隐私

提前预警的能力是反欺诈成功的关键,为了确保用户免受欺诈损失,我们必须能够提前检测到快速发展且变化的攻击。为了实现这一目标,无监督机器学习技术可以对数据进行整体群组性的分析,发现异常可疑活动的相关性和相似性,这些相关性和相似性指向了欺诈行为和恶意帐户。无监督机器学习引擎仅使用少量数据就可以做到这一点。

DataVisor维择科技保护用户隐私,同时提倡提升透明度。通过分析聚类型和群组型的数据,运用先进的AI和无监督机器学习技术,在保护用户隐私的同时提高智能风控能力。