來自國(guó)家新一代人工智能戰(zhàn)略咨詢委員會(huì)、國(guó)家兩院院士、人民銀行等有關(guān)領(lǐng)導(dǎo)以及國(guó)家開發(fā)銀行、中農(nóng)工建交五大行及20余家商業(yè)銀行及保險(xiǎn)等金融領(lǐng)域?qū)＜?00余人出席會(huì)議。

大會(huì)聯(lián)合發(fā)布了專題報(bào)告《智能金融聯(lián)合報(bào)告：與AI共進(jìn)，致勝未來》，同時(shí)中國(guó)工商銀行、中國(guó)農(nóng)業(yè)銀行、中國(guó)銀行、國(guó)泰君安等國(guó)內(nèi)主流金融機(jī)構(gòu)以及百度、騰訊、百度等知名科技企業(yè)、研究機(jī)構(gòu)發(fā)布了金融科技最新成果和應(yīng)用創(chuàng)新案例；微軟、IBM、埃森哲、畢馬威、普華永道等國(guó)際知名科技與咨詢公司就“區(qū)塊鏈、數(shù)字貨幣與智能金融”等當(dāng)前熱點(diǎn)話題進(jìn)行了圓桌對(duì)話。

中國(guó)金融科技創(chuàng)新大會(huì)在國(guó)家互聯(lián)網(wǎng)信息辦公室、中國(guó)人民銀行、工業(yè)和信息化部等部委的指導(dǎo)和支持下，已成功舉辦三屆，活動(dòng)立足國(guó)內(nèi)，放眼全球，已成為金融科技業(yè)界理論研究、趨勢(shì)探討、案例推介、成果分享、應(yīng)用指導(dǎo)和業(yè)務(wù)對(duì)接的交流平臺(tái)，對(duì)于推動(dòng)我國(guó)金融科技的理論研究和業(yè)務(wù)創(chuàng)新，維護(hù)國(guó)家金融信息安全和金融體系穩(wěn)定有著積極意義。

天云大數(shù)據(jù)獲獎(jiǎng)全文：天云大數(shù)據(jù)有效對(duì)銀行信用卡申卡欺詐預(yù)警

當(dāng)前，伴隨著金融市場(chǎng)向著國(guó)際化、自由化的方向發(fā)展，由金融衍生出的信貸工具越來越多，信用卡作為一種新型的、大眾化的金融電子產(chǎn)品給銀行帶來了兼有利弊的機(jī)遇和挑戰(zhàn)。所謂挑戰(zhàn)則是在辦理信用卡中存在的風(fēng)險(xiǎn)問題，銀行每年因金融欺詐損失數(shù)十億元，傳統(tǒng)的離散式反欺詐分析方法的漏洞暴露得越來越多，已無法有效阻止這些欺詐行為，經(jīng)驗(yàn)豐富的欺詐者利用這些漏洞創(chuàng)造出更多的欺詐手段而不被金融機(jī)構(gòu)發(fā)現(xiàn)。如何迅速有效的預(yù)測(cè)信用卡欺詐者，成為避免信用卡風(fēng)險(xiǎn)的關(guān)鍵。在這個(gè)需求的推動(dòng)下，大數(shù)據(jù)信用卡申卡欺詐預(yù)警應(yīng)運(yùn)而生。

天云大數(shù)據(jù)致力于幫助企業(yè)解決內(nèi)部數(shù)據(jù)的分析和已有數(shù)據(jù)孤島問題，基于對(duì)金融、保險(xiǎn)、運(yùn)營(yíng)商、廣視等行業(yè)的數(shù)據(jù)治理經(jīng)驗(yàn)的沉淀和復(fù)制，在服務(wù)過程中，研究由數(shù)據(jù)衍生出的各類產(chǎn)品的共性，探索出一套完整的數(shù)據(jù)產(chǎn)品服務(wù)體系。其在金融服務(wù)領(lǐng)域?yàn)殂y行、保險(xiǎn)等客戶提供歷史數(shù)據(jù)挖掘、風(fēng)險(xiǎn)一體化、風(fēng)險(xiǎn)種子識(shí)別、申卡欺詐預(yù)警等服務(wù)。

需要解決的問題

2016年上半年中國(guó)信用卡行業(yè)整體逾期半年未償貸款總額超過480億元，壞賬率較年初上升0.2個(gè)百分點(diǎn)。為更好應(yīng)對(duì)欺詐風(fēng)險(xiǎn)，提高欺詐預(yù)警效率，國(guó)內(nèi)銀行不斷加強(qiáng)研究反欺詐手段，加強(qiáng)不同產(chǎn)品條線、業(yè)務(wù)部門之間的分工協(xié)作，防范欺詐風(fēng)險(xiǎn)。但是，從總體情況來看，國(guó)內(nèi)銀行的欺詐風(fēng)險(xiǎn)分析預(yù)警工作仍處于初級(jí)階段，面對(duì)欺詐者越來越多樣的高新技術(shù)手段，欺詐團(tuán)伙越來越組織嚴(yán)禁密切復(fù)雜的欺詐活動(dòng)，欺詐范圍逐漸趨向國(guó)際化的現(xiàn)狀，以及隨著信用卡交易由有卡交易逐漸向無卡交易過度，為欺詐者提供了更多的便利，加強(qiáng)了其欺詐手段的隱蔽性，造成欺詐分析預(yù)警工作難度的增大，銀行亟需系統(tǒng)研究銀欺詐風(fēng)險(xiǎn)，積極探尋應(yīng)對(duì)之策。

目前行業(yè)申卡欺詐分析預(yù)警工作存在的問題如下：

1.欺詐分析數(shù)據(jù)僅僅局限于歷史數(shù)據(jù)

銀行現(xiàn)有的申卡欺詐分析預(yù)警系統(tǒng)主要基于歷史數(shù)據(jù)進(jìn)行分析建立相關(guān)規(guī)則，對(duì)申卡信息進(jìn)行規(guī)則匹配判斷預(yù)警欺詐人員以及進(jìn)行欺詐類別判斷。而對(duì)于目前大部分銀行來說，其欺詐分析預(yù)警系統(tǒng)都是由不同部門在不同時(shí)期根據(jù)各自業(yè)務(wù)需要建立的，不同系統(tǒng)間信息相對(duì)隔離，不能做到及時(shí)傳遞、整合和共享，風(fēng)險(xiǎn)信息條線化、碎片化問題嚴(yán)重。此外，已經(jīng)建立的系統(tǒng)主要是客戶信息采集系統(tǒng)，以收集客戶信息、檢測(cè)業(yè)務(wù)動(dòng)態(tài)、提供綜合查詢和統(tǒng)計(jì)報(bào)表等功能為主，對(duì)損失歷史數(shù)據(jù)的積累和分析嚴(yán)重不足，在缺乏損失事件基礎(chǔ)數(shù)據(jù)庫(kù)支撐的情況下，難以對(duì)欺詐風(fēng)險(xiǎn)進(jìn)行定量識(shí)別和評(píng)估。

2.基于規(guī)則匹配預(yù)判，受限制性強(qiáng)

目前銀行的申卡欺詐分析工作主要基于規(guī)則匹配進(jìn)行實(shí)現(xiàn)。一方面，傳統(tǒng)的規(guī)則匹配普適性較差，伴隨著新的參數(shù)狀態(tài)的出現(xiàn)常常有新的匹配規(guī)則需要被及時(shí)定制以進(jìn)行新的欺詐判斷。長(zhǎng)久積累的結(jié)果就是規(guī)則積累的數(shù)量不斷增多，與此同時(shí)規(guī)則維護(hù)需要的人員也迅速增長(zhǎng)，銀行壓力漸漸增大，到最后已經(jīng)無力應(yīng)付規(guī)則維護(hù)強(qiáng)大的壓力沖擊。另一方面，規(guī)則匹配要求業(yè)務(wù)的可表達(dá)性強(qiáng)，需要人工的介入，此種情況下，必然受到職業(yè)素養(yǎng)、道德品質(zhì)等主觀因素影響，造成的結(jié)果為較強(qiáng)的規(guī)則可規(guī)避性，引起欺詐風(fēng)險(xiǎn)的提高。

3.人才配備不能滿足需要，專業(yè)人才能力要求較高。

欺詐風(fēng)險(xiǎn)分析預(yù)警對(duì)商業(yè)銀行而言是一項(xiàng)難度系數(shù)比較高的工作，專業(yè)人才的積累和培養(yǎng)還需要一定時(shí)間，二隨著新技術(shù)的引入，人才空缺的范圍進(jìn)一步擴(kuò)大，接受過系統(tǒng)培訓(xùn)的人才一旦跳槽，很難從市場(chǎng)上找到合適人選。此外，銀行人才資源主要向前臺(tái)傾斜，中后臺(tái)配置高素質(zhì)人才在薪酬激勵(lì)、職業(yè)發(fā)展等方面也都存在諸多制約。反欺詐工作缺乏高素質(zhì)、復(fù)合性人才資源支撐，直接影響了反欺詐工作的專業(yè)化水平。

解決方案

隨著互聯(lián)網(wǎng)+時(shí)代的到來，各種各樣的信息越來越多的被以“數(shù)據(jù)”的形式記錄、存儲(chǔ)下來。對(duì)于銀行而言，其數(shù)據(jù)體系也逐漸發(fā)展成包括結(jié)構(gòu)化數(shù)據(jù)，非結(jié)構(gòu)化數(shù)據(jù)，半結(jié)構(gòu)化數(shù)據(jù)的完整體系，涵蓋除了申卡系統(tǒng)及其相關(guān)流程的文本數(shù)據(jù)之外的email數(shù)據(jù)、錄音數(shù)據(jù)、視頻數(shù)據(jù)等以及其他的外部數(shù)據(jù)如銀聯(lián)數(shù)據(jù)。數(shù)據(jù)體系的擴(kuò)展如雙刃劍一般對(duì)銀行欺詐分析預(yù)警帶來機(jī)遇和挑戰(zhàn)。一方面，數(shù)據(jù)的豐富拓展，提高了欺詐風(fēng)險(xiǎn)分析預(yù)警的準(zhǔn)確度，帶來了新的研究方式與研究角度；另一方面，數(shù)據(jù)量的增大，數(shù)據(jù)類型的增多，增加了數(shù)據(jù)處理的難度，傳統(tǒng)的基于規(guī)則匹配的離散式欺詐分析預(yù)警系統(tǒng)已經(jīng)無法適應(yīng)龐大的數(shù)據(jù)系統(tǒng)，無法提供更為合適準(zhǔn)確的判斷方法。

天云融創(chuàng)融合銀行內(nèi)部的數(shù)據(jù)，建立數(shù)據(jù)挖掘系統(tǒng)，引入地域關(guān)系、聯(lián)系關(guān)系、推薦關(guān)系等拓展建立申請(qǐng)人社交關(guān)系復(fù)雜網(wǎng)絡(luò)，聯(lián)合銀行信用卡申請(qǐng)系統(tǒng)數(shù)據(jù)，利用大數(shù)據(jù)分析技術(shù)，建立信用卡申卡欺詐分析預(yù)警新模式。

1.引入復(fù)雜網(wǎng)絡(luò)，構(gòu)建申請(qǐng)客戶社交關(guān)系網(wǎng)絡(luò)

具有自組織、自相似、吸引子、小世界、無標(biāo)度中部分或全部性質(zhì)的網(wǎng)絡(luò)稱為復(fù)雜網(wǎng)絡(luò)，只要能抽象出網(wǎng)絡(luò)結(jié)構(gòu)的客觀事務(wù)，都可以作為復(fù)雜網(wǎng)絡(luò)的研究的對(duì)象。天云融創(chuàng)將某大型股份制商業(yè)銀行北京地區(qū)信用卡申請(qǐng)客戶的基礎(chǔ)信息數(shù)據(jù)（總計(jì)超過30萬）借助復(fù)雜神經(jīng)網(wǎng)絡(luò)Hilbert，把申請(qǐng)人、申請(qǐng)人親屬、聯(lián)系人及推廣人這四種角色的移動(dòng)電話、家庭電話、辦公電話的相同作為關(guān)系，構(gòu)建客戶社交網(wǎng)絡(luò)圖，設(shè)計(jì)并計(jì)算出相關(guān)社交數(shù)據(jù)。

2.引入深度學(xué)習(xí)，構(gòu)建欺詐分析新模式

深度學(xué)習(xí)是在神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上構(gòu)建一個(gè)多層結(jié)構(gòu)學(xué)習(xí)能力的算法。2016年Gartner在全球范圍內(nèi)對(duì)于計(jì)算智能的統(tǒng)計(jì)顯示，深度學(xué)習(xí)的熱度僅次于機(jī)器人被列入前三名的位置。近年來依托分布式、內(nèi)存等機(jī)器計(jì)算能力的飛速發(fā)展，深度學(xué)習(xí)在金融領(lǐng)域有了更廣泛的應(yīng)用。

神經(jīng)網(wǎng)絡(luò)是一種通過模仿人腦信息，類似于大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)加工過程的智能化信息處理技術(shù)及進(jìn)行信息處理的數(shù)學(xué)模型，與博弈論中的動(dòng)態(tài)博弈很相似，具有自適應(yīng)性、自組織性以及較強(qiáng)勁的穩(wěn)健性，在應(yīng)用過程中具有很強(qiáng)的魯棒性和容錯(cuò)性，能夠并行處理方法，具有自學(xué)習(xí)性，擁有自組織、自適應(yīng)性和很強(qiáng)的信息綜合能力等良好性能，能同時(shí)處理定量和定性的信息，能很好的協(xié)調(diào)多種輸入信息關(guān)系，適用于處理復(fù)雜非線性和不確定對(duì)象，能成功的應(yīng)用于多種不同的信息處理。天云融創(chuàng)將復(fù)雜網(wǎng)絡(luò)得出的申請(qǐng)人社交數(shù)據(jù)，聯(lián)合推廣人信息數(shù)據(jù)、申請(qǐng)人信息數(shù)據(jù)、單位聯(lián)系數(shù)據(jù)等引入神經(jīng)網(wǎng)絡(luò)模型，神經(jīng)網(wǎng)絡(luò)在真實(shí)的數(shù)據(jù)集環(huán)境中學(xué)習(xí)，通過不斷地學(xué)習(xí)過程提高效率，交互式的調(diào)整其連接權(quán)重，通過不斷增加學(xué)習(xí)過程，增強(qiáng)神經(jīng)網(wǎng)絡(luò)模型對(duì)真實(shí)數(shù)據(jù)集的環(huán)境的了解，當(dāng)所有用于估計(jì)模型的訓(xùn)練集樣本誤差達(dá)到最小時(shí)，神經(jīng)網(wǎng)絡(luò)擬合完成，并且隱含的神經(jīng)網(wǎng)絡(luò)模型決定屬性的分類規(guī)則。根據(jù)需求把新的申請(qǐng)信用卡客戶屬性轉(zhuǎn)換為相應(yīng)的數(shù)據(jù)代入模型，便可以得到客戶是否數(shù)據(jù)欺詐屬性以及其所屬類別。

圖 一個(gè)簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)

3.申卡客戶社交關(guān)系網(wǎng)絡(luò)構(gòu)建

在申卡客戶復(fù)雜關(guān)系網(wǎng)絡(luò)的過程中，天云融創(chuàng)利用具體某地區(qū)信用卡申請(qǐng)客戶的基礎(chǔ)信息數(shù)據(jù)，對(duì)該地區(qū)進(jìn)件審批數(shù)據(jù)有全面的了解之后，確定該數(shù)據(jù)中包含申請(qǐng)人、推薦人在內(nèi)的四種角色，借助復(fù)雜神經(jīng)網(wǎng)絡(luò)Hilbert將申請(qǐng)人角色作為社交網(wǎng)絡(luò)的關(guān)鍵節(jié)點(diǎn)，把四種角色的電話、地址等的相同作為關(guān)系，來實(shí)現(xiàn)復(fù)雜網(wǎng)絡(luò)的構(gòu)建，設(shè)計(jì)并計(jì)算出相關(guān)社交數(shù)據(jù)。

圖 申卡客戶社交關(guān)系復(fù)雜網(wǎng)絡(luò)

4.基于神經(jīng)網(wǎng)絡(luò)模型的客戶欺詐分析預(yù)警

天云融創(chuàng)將該地區(qū)信用卡申請(qǐng)客戶基礎(chǔ)信息數(shù)據(jù)，以及復(fù)雜網(wǎng)絡(luò)計(jì)算所得社交數(shù)據(jù)，主要使用神經(jīng)網(wǎng)絡(luò)模型和邏輯回歸模型進(jìn)行模型訓(xùn)練和樣本測(cè)試。選取指標(biāo)對(duì)模型測(cè)試結(jié)果進(jìn)行評(píng)價(jià)，并進(jìn)行相應(yīng)的改進(jìn)，最終運(yùn)用模型對(duì)申卡客戶進(jìn)行欺詐分析。

通過神經(jīng)網(wǎng)絡(luò)和邏輯回歸模型的交叉驗(yàn)證以及預(yù)測(cè)結(jié)果可以看出，神經(jīng)網(wǎng)絡(luò)模型的AUC值能夠達(dá)到0.9，相比邏輯回歸模型的AUC值0.86，具有明顯的優(yōu)化效果。

達(dá)到的效果

當(dāng)前階段，大數(shù)據(jù)申卡欺詐分析預(yù)警技術(shù)是傳統(tǒng)欺詐預(yù)警的有力補(bǔ)充，二者結(jié)合既提高了申卡欺詐分析預(yù)警的效果，使普惠金融得以有可能真正落地。尤其隨著互聯(lián)網(wǎng)+的發(fā)展，各種信息以數(shù)據(jù)的形式被存儲(chǔ)記錄，大數(shù)據(jù)欺詐預(yù)警更是發(fā)揮了重要的作用，其使欺詐預(yù)警的評(píng)估維度更多、預(yù)警效率更高、應(yīng)用場(chǎng)景也更加多樣化。

1.擴(kuò)大了申卡欺詐數(shù)據(jù)源

目前的大數(shù)據(jù)反欺詐技術(shù)離不開文本挖掘，最重要的是語義識(shí)別。其次重要的是圖像的挖掘，包括OCR識(shí)別圖像文字、相似圖片等等。傳統(tǒng)申卡欺詐分析中往往運(yùn)用強(qiáng)變量來評(píng)估個(gè)人在未來信用卡使用行為中的表現(xiàn)，沒有整合分析其他維度的數(shù)據(jù)源。大數(shù)據(jù)申卡欺詐分析預(yù)警系統(tǒng)，首先，融合了信用卡申請(qǐng)環(huán)節(jié)的各個(gè)業(yè)務(wù)數(shù)據(jù)，解決了數(shù)據(jù)孤島的問題；其次，引入第三方數(shù)據(jù)，比如銀聯(lián)數(shù)據(jù)等，擴(kuò)展了數(shù)據(jù)的維度；最后，通過復(fù)雜網(wǎng)絡(luò)技術(shù)，構(gòu)建申卡客戶的社交復(fù)雜網(wǎng)絡(luò)提供客戶的社交數(shù)據(jù)，在拓展覆蓋維度的同時(shí)，以弱變量來體現(xiàn)強(qiáng)變量，并且實(shí)現(xiàn)了社交數(shù)據(jù)的高頻率更新，提高了數(shù)據(jù)的準(zhǔn)確有效性。

2.極大提高申卡欺詐預(yù)警準(zhǔn)確率

傳統(tǒng)的申卡欺詐分析預(yù)警技術(shù)需要大量的人工審核工作，必然摻雜了員工的主觀因素，同時(shí)也提高了銀行內(nèi)外部聯(lián)合詐騙的風(fēng)險(xiǎn)?；诖髷?shù)據(jù)技術(shù)的申卡欺詐分析預(yù)警系統(tǒng)，大量減少了人工操作部分，同時(shí)提供了社交關(guān)系數(shù)據(jù)庫(kù)，提高申卡欺詐預(yù)警的準(zhǔn)確率。

3.擴(kuò)大了申卡欺詐分析模式

傳統(tǒng)的申卡欺詐分析模式主要是基于規(guī)則匹配模型進(jìn)行實(shí)現(xiàn)。隨著經(jīng)濟(jì)的發(fā)展，市場(chǎng)的變化，科技的創(chuàng)新，欺詐方式不斷更新積累，這倒是規(guī)則的數(shù)量不斷增多到非常龐大的數(shù)量，維護(hù)和迭代更新的壓力增大?；诖髷?shù)據(jù)技術(shù)的申卡欺詐分析預(yù)警模式，主要是對(duì)大量數(shù)據(jù)進(jìn)行挖掘，提供和清洗訓(xùn)練樣本，針對(duì)億級(jí)別的訓(xùn)練樣本，提取擴(kuò)展千萬的特征，結(jié)合社交關(guān)系數(shù)據(jù)，利用大規(guī)模機(jī)器學(xué)習(xí)和深度學(xué)習(xí)平臺(tái)進(jìn)行模型訓(xùn)練。新型模式具有準(zhǔn)召率高、預(yù)測(cè)效率高、善于發(fā)現(xiàn)新模型、從海量數(shù)據(jù)中總結(jié)規(guī)律、模型穩(wěn)定、還有能力同時(shí)應(yīng)對(duì)多個(gè)分類的優(yōu)勢(shì)。

zhoub