arrow left facebook twitter linkedin medium menu play circle

不止于KYC:AI助力银行防范现代欺诈

2020年7月16日

Photo of MengxiaoLi

about MengxiaoLi

如今欺诈行为日益成熟,让人捉摸不定,反欺诈技术也应随之升级革新。本文将为大家讲述在传统KYC(Know Your Customer,了解你的客户)之上,人工智能解决方案如何为您进一步保驾护航。

尽管反欺诈技术和工具在不断推陈出新,但依旧有不少企业与组织饱受身份盗用、身份伪造与洗钱等欺诈行径的困扰。这就像是一场无休止的拉锯战,面对最新升级的欺诈检测手段,犯罪分子“锲而不舍”地研究规避诡计,科技公司们必须不断加大反欺诈力度。

对付欺诈行为,KYC(Know Your Customer,了解你的客户)流程认证是一种常见方法:验证客户身份,以便识别用户行为模式。而在KYC流程认证方法的进一步发展中,人工智能风险检测软件将扮演重要角色。

 

什么是KYC?

KYC指验证客户身份,确认该用户是否有潜在欺诈风险的认证流程。通过KYC认证,可以清楚了解到包括个人详细资料、消费习惯、财务历史和独特风险因素等客户信息,从而降低洗钱、恐怖组织募资等非法金融行为的发生概率。

KYC欺诈检测包括三个核心步骤:客户识别程序、交易监控和风险管理,完成以上三项检测后,金融机构在区分授权合规与未授权违法行为时,便有了更好的参考依据。

 

在数字渠道应用KYC的挑战

使用KYC防范欺诈,并非简单的表面功夫,这其实是保持企业合规性的必做之事。事实上有相当多的公司在KYC检测上并没有走对路。过去10年,这些公司因违反反洗钱条例、KYC不合规而受到制裁,并缴纳了大约260亿美元的罚款,这给他们的声誉也造成了不可估量的损失。

传统的欺诈行为建模如今面临多项挑战,而银行业的业务场景出现了各式各样有别于传统的数字渠道,让欺诈建模分析的工作变得更加困难。目前KYC很大程度上依赖于文档资料验证,包括ID、水电费账单、工资单和人脸识别认证。但如今很多互动场景无需再面对面进行了:客户们通过聊天机器人就可以开户,用手机应用便可完成交易,调出语音助手就可以下单。这些场景下,非结构化数据的使用率剧增。

DataVisor全球市场副总裁Priya Rajan谈及结构化和非结构化数据之间的区别:

“结构化数据条理分明,而通过多种渠道收集而来的非结构化数据并非如此。结构化和非结构化数据导致KYC流程变得复杂,以至于传统技术无法跟上。在数据集中化的时代,类似制裁名单这样的参考数据库在反欺诈行为上效果显著,但现在不同了,要想保证公司的竞争力,免受欺诈困扰,你必须要灵活运用自己的非结构化数据。”

发生数据泄露后,公司客户的宝贵信息将被欺诈分子一览无余,欺诈者们用这些私密信息伪造用户身份,可以轻易通过KYC认证流程。由此会引发在线申请数量的剧增,让原本已低效、高成本的认证流程,变得更加不堪重负。

随着竞争对手不断出现,银行企业在不断加强竞争力,并推出传统银行服务内容的数字版本。有了数字版本,多了业务办理渠道,快速完成客户信息验证,降低时间消耗,变得比以往更加重要。

 

机器反欺诈:借助AI强化KYC能力

时下金融机构考虑采用新的技术工具应对欺诈者的挑战,并遵守日益严格的监管审查,以及降低影响KYC流程的成本。理想情况下,人工智能解决方案可以帮助企业自动执行与KYC关联的许多手动流程。如果使用得当,可以达到更高的准确性与覆盖范围,以及更快的执行效率。

应用聚类算法与图形算法,我们可以检测所有用户,而不是单个用户的行为。由此可以大幅降低误报率,提升检测精准度,优化客户体验。

此外,公司需要具备根据关联模式大规模识别可疑账户群组的能力,这样可以提前预警潜在有组织的欺诈行为。此项能力可以帮助公司迅速作出大量决策并高效率完成。

业务流程自动化技术能缓解日益增加的工作量所带来的挑战,却无法实时基于大数据信息提供情报,而如果我们想及时解决犯罪团伙的攻击威胁,这种实时情报是必备的。

面对欺诈行为威胁,市面现有解决方案大多是对威胁事件孤立处理,高度依赖历史数据模型预测未来风险。这些解决方案是被动检测,在许多情况下察觉不到欺诈行为的关键信号,并且也不知道如何检测。这点在僵尸账号发动的攻击案例中体现的尤为明显,单个的僵尸账号你看不出问题,但采用大规模整体检测,你便可以察觉到广泛的、有组织的犯罪行为。

要想应对上文提到的无法识别的潜在威胁,并在欺诈行为发生前采取措施,我们需要转换思维方式。最好的解决办法并不是在原有解决方案上增加功能,而应该是采用从根本上重新定义并重塑欺诈行为发现方式的解决方案。

利用大规模实时大数据加持,人工智能风控解决方案可以应对KYC流程面临的挑战。相比整体的数据检验,人工智能实时监控大批量数据的能力,可以更好的检测到规模化的犯罪团伙。

无需历史标签或大量的数据培训,DataVisor的无监督机器学习(UML)技术便可检测到异常行为。凭借这项技术,金融机构可以在欺诈行为出现时主动处理潜在的类似欺诈事件,无需被动的反复查看历史交易记录。