arrow left facebook twitter linkedin medium menu play circle

AI重塑金融:荆棘遍布,无所畏惧

2020年5月7日

Photo of MengxiaoLi

about MengxiaoLi

AI技术发展至今,正重塑着许多行业,在智能决策、优化体验、提升效率等方面都有显著的效果。但是AI在诸多行业落地过程中依然挑战重重,本文DataVisor维择科技创始人兼CEO谢映莲分享了AI在金融领域落地时的智能风控见解。

AI技术飞速发展,但落地仍不均衡

AI技术是什么?AI技术即人工智能,是一个很大的领域范畴,它主要是运用算法和机器自动进行智能决策的技术。在相对较窄的范围,行业中较常使用的是机器学习,它主要是以数据为基础,模型和算法为导向,通过数据分析来做出有效的决策。

AI技术的发展受到许多因素的影响,比如计算能力、计算模式、线上数据等。目前AI在算法和理论上不断取得突破,在体系框架上也相对完善。我们逐渐认识到AI技术的突破总是伴随着新的计算能力的出现而出现的。比如说GPU(图形处理器)的出现使得深度学习和神经网络取得很大的突破。其次,大型并行计算的出现,也使得海量数据分析能力取得新的突破。另一方面,AI技术的发展也表现在驱动源泉方面,那就是线上数据,许多业务的数字化转型使得数据仓库日益丰富和完善,为AI技术的发展提供了非常好的基础。所以综上,近年来AI技术的突破主要表现在新计算能力、新硬件、丰富大数据的出现,使得AI技术又有了突飞猛进的发展,也推动了技术在实际应用中落地。

那么AI技术在哪些领域得到有效应用呢?人脸识别、自动驾驶等跟人们的生活息息相关的行业已经取得了很大进展,并且这些领域也是应用相对成熟和广泛的。在企业方,AI技术能够做一些智能营销、供应链分析,但是受行业属性的影响,AI在企业中的推广程度是参差不一的。

DataVisor维择科技作为一家业务遍布全球的AI企服公司,我们发现中美在AI技术落地的情况略有不同。AI技术是开源的技术,中美两方的AI技术应用都在飞快发展。但是因为美国各行各业更加细分,许多企业会深入挖掘AI在垂直领域的价值。中国的AI发展方向相对偏向大而全,将AI作为一个框架在很多行业推而广之。这对于AI技术拓广是有利的,帮助人们形成“AI First”的观念。但是人们习惯于对AI落地持有过于乐观的态度,但实际AI在每个垂直领域的落地过程是并不容易的。

AI落地不同行业,个性化适配是难点

那么,AI技术在实际落地时经历了怎样的过程?AI技术落地表现是参差不齐的,且导致这种不平衡的因素有很多。比如技术本身的属性、业务的复杂性、地区差异、人才条件差异、数据支撑的不同等。在一些熟知的场景,比如,人脸识别的应用就比较成熟,但是从全行业的角度来讲,AI在指导企业做出经营决策的环节,比如风控、营销等方面的落地还处在比较早期的阶段。为什么会出现这种参差?因为部分AI技术的应用领域相对清晰,人脸识别在不同企业、不同行业、不同场景下的需求是类似的。而AI指导企业决策时,与企业的个性化情况息息相关。将 AI 这个普适的技术应用在具体的场景中,就与人脸识别的落地应用表现的非常不同。从企业运营的方面来讲,AI落地的场景、数据状况、经营方式、决策过程、用户对象等存在巨大差异。不同的环境下,AI所建立的模型必须适配企业的具体情况。

应对挑战,见招拆招

聚焦金融行业,AI落地的最大挑战是AI技术和金融业务的有效结合。AI的落地过程不是一蹴而就的,金融客户和技术供应商之间如何无缝沟通、嫁接业务是双方都需要去不断思考和打磨的。DataVisor维择科技为了应对这一“金融+业务”的挑战,做了诸多努力:

  • 精细化产品体系,解决企业不同问题

DataVisor维择科技的系列产品可以从数据层、模型层、决策层“”来解决不同的问题。同时支持不同的处理环境:离线、在线、高实时、低延迟等不同方案,帮助客户多维度提升业务能力、解决欺诈难题。因此,多样的系列产品对不同成长期的企业都能发挥作用,使得产品的技术方案与企业业务相契合。随着企业的成长,可以找到新的需求点,全流程地帮助企业成长,守护企业安全。

  • 无需标签,无监督算法优势明显

DataVisor维择科技基于无监督机器学习的风控解决方案在业界非常独特和领先。其优势有以下几方面:

第一,无监督机器学习对数据的要求相对于传统有监督机器学习来讲更低,其工作原理是挖掘数据与数据之间的相关性和相似性,因此对数据不完整、数据缺失的容忍性更高,这意味着更少地采集个体数据、不涉及数据隐私即可达到良好的检测效果。

第二,无监督机器学习无需标签。传统机器学习很大程度上依赖高质量的标签,而高质量的标签往往需要人工标定,对于数据的要求很高(容错性、容忍度低),这使得模型需要经常维护更新,AI在具体业务中的使用代价非常大。而无监督机器学习算法最大的优势是只需要输入数据,并不需要标签。通过聚类找出新型的未知欺诈,并且更易落地,不需要长时间的标签清洗。

  • 重视客户需求,不断打磨产品

AI落地时,业务方面的挑战非常多,比如是否能有效适配、快速上线、实时处理、自动优化、便捷操作,这些都是金融客户非常重视的问题。DataVisor维择科技的产品在与众多客户的合作中积累了经验并不断打磨产品,比如Feature Platform(实时计算平台)可以解决AI系统的耗时问题,帮助模型自动化实现普适模块,对于效率提升、兼容多样模型、优化体系架构都有积极作用。

AI赋能金融风控

AI赋能金融风控领域时,帮助解决了各类内外部挑战。外部挑战包括专业的黑产攻击、变化多端的欺诈难题和日渐严格的数据采集标准,内部挑战包括技术难题和业务痛点等。

  • 利用有限数据,识别欺诈分子

申请欺诈(例如账号申请、信用卡申请、数字银行账号申请)是许多线上金融平台面临的头痛环节。申请环节的风控难度极高,因为该环节历史数据少,用户体验要求高,用户往往仅需填写少量信息就要在很短时间内获得申请结果,而且保护用户隐私的要求也越来越高,如何在申请环节用少量数据就实时识别欺诈分子,提前阻止大规模欺诈损失,是一个难题。无监督机器学习算法非常适用金融申请场景,该场景下的大量用户的征信数据可能是不完整的,身份盗取的问题也比较严重。无监督机器学习技术在数据缺失的情况下也能够发掘未知的、新型的团伙欺诈。

  • 模型可解释,避免“假智能”

AI落地的一个很大的痛点是模型的可解释性。举个例子,微软研究院曾发表过一篇关于图像识别的文章,AI模型在区分哈士奇和狼时,研究表明这个模型并不是在检测动物本身,而是在检测图像中是否有雪。可能这种检测效果不错,但是提到可解释性,会让人产生可靠性的怀疑。在AI风控领域也有类似可解释性的问题,因为训练数据有限,导致模型并不是我们想象的那样,客户很可能会困惑这样的数据和模型是如何得出检测结果的。无监督机器学习算法的很大一个长处就是提供可解释性的结果,能够清晰提供检测结果和归因,而不是盲目让客户去相信一个黑盒子模型。

 

  • 处理海量数据,也能迅速响应

风控环节难以做到高时效性是许多客户的另一个痛点。平台往往需要对线上客户的请求在很短时间内做出响应和判断。但数据不平衡、用户特征繁杂、需要同时计算的量级大,很难在短时间内完成计算并用AI模型实时判断。DataVisor维择科技在处理海量数据时展现出高实效性的特征平台部署能力,能够在短的时间内助力客户完成特征提取和计算,并且把模型有效地部署在生产中。

结语

AI技术在重塑金融行业时面临诸多挑战,不过AI技术能力的提升、各行业对AI包容度和意愿度的增强、诸多行业线上业务的逐步完善,都正加速着AI赋能更多行业、落地更多场景,AI依然未来可期。

 

作者简介

谢映莲

DataVisor CEO兼联合创始人

谢映莲是DataVisor维择科技的联合创始人兼CEO。DataVisor维择科技是利用大数据分析进行欺诈预警和检测的行业领先公司。

谢映莲在卡内基梅隆计算机系获得博士学位,拥有10年以上在互联网安全和反欺诈领域的经验。在创建DataVisor维择科技之前,她是微软硅谷研究院的资深研究员,曾为微软产品开发出一系列成功的互联网安全和反欺诈技术创新。其中包括基于微软Hotmail社交图以对用户进行认证的系统架构,及大幅度降低信用卡实时交易风险的算法。开发的大数据反欺诈技术广泛应用于微软的支付平台,Hotmail, Xbox和Bing等。

谢映莲博士拥有网络安全领域50多篇专业研究论文和20多项专利,获得多项最佳论文奖。同时,谢映莲博士任多个顶级网络安全及安全学术会议评审委员,多位知名大学博士生评审委员(密歇根大学,UIUC等),她的创新工作影响和改进了数十亿用户的互联网安全体验。