金融業(yè)風(fēng)險(xiǎn)防控是一個(gè)永恒的主題。隨著人工智能、大數(shù)據(jù)等技術(shù)與金融業(yè)務(wù)的深度融合，進(jìn)一步增加了金融風(fēng)險(xiǎn)的復(fù)雜性、隱蔽性、突發(fā)性，此外，隨著新技術(shù)的發(fā)展和應(yīng)用，利用AI技術(shù)等高科技的新型詐騙越來(lái)越多，詐騙手段不斷升級(jí)，令人防不勝防。

人工智能技術(shù)就像一把達(dá)摩克利斯之劍，既能給行業(yè)、給用戶帶來(lái)技術(shù)紅利，讓金融消費(fèi)者享受到更加便利、更佳體驗(yàn)的金融服務(wù)，也讓金融機(jī)構(gòu)和消費(fèi)者面臨了新的風(fēng)險(xiǎn)。作為金融機(jī)構(gòu)和金融消費(fèi)者，又該如何應(yīng)對(duì)科技時(shí)代的風(fēng)險(xiǎn)局面？

對(duì)于金融機(jī)構(gòu)而言，一方面要加強(qiáng)風(fēng)險(xiǎn)防控技術(shù)水平，制定及時(shí)有效全面的應(yīng)對(duì)措施，構(gòu)建完善的風(fēng)險(xiǎn)防御體系，另一方面，也應(yīng)加強(qiáng)面向用戶的防詐騙及信息保護(hù)方面的科普教育宣傳，將各類新型詐騙手段及時(shí)向消費(fèi)者和用戶普及。

(資料圖片僅供參考)

對(duì)于消費(fèi)者而言，要提升個(gè)人隱私保護(hù)安全意識(shí)，加強(qiáng)防騙知識(shí)的學(xué)習(xí)，提高警惕性，保持與時(shí)俱進(jìn)，提升知識(shí)儲(chǔ)備，多加了解AI詐騙等新型詐騙的原理和案例，在網(wǎng)絡(luò)活動(dòng)中保護(hù)好自己的個(gè)人信息。

以子之矛，攻子之盾。在數(shù)字化時(shí)代下，科技手段已成為風(fēng)險(xiǎn)防控的關(guān)鍵，而這對(duì)金融科技提出了更高的要求。如今大數(shù)據(jù)技術(shù)、AI技術(shù)在金融風(fēng)控中的應(yīng)用已十分普遍。欺詐風(fēng)險(xiǎn)一直是金融機(jī)構(gòu)面臨的最嚴(yán)重風(fēng)險(xiǎn)問(wèn)題之一。Brett King在《銀行4.0》一書中提到，目前全球每年只有約3%的欺詐案例被識(shí)別。傳統(tǒng)的經(jīng)驗(yàn)規(guī)則篩選無(wú)法帶來(lái)更多的提升空間，在此情境下，索信達(dá)AI創(chuàng)新中心探索利用人工智能模型來(lái)找到更多欺詐樣本，并提出新的思路來(lái)解決問(wèn)題。下面就以兩個(gè)具體的案例，來(lái)看看AI技術(shù)在金融反欺詐中的應(yīng)用思路。

案例一 AI在銀行內(nèi)部反欺詐場(chǎng)景的應(yīng)用思路

本案例以某銀行理財(cái)經(jīng)理飛單欺詐案例，探索AI技術(shù)在內(nèi)部反欺詐場(chǎng)景的應(yīng)用思路。以威脅源作為分類標(biāo)準(zhǔn)，可以將銀行欺詐問(wèn)題分為內(nèi)部欺詐與外部欺詐。近年來(lái)，隨著商業(yè)銀行規(guī)模效益的快速增長(zhǎng)，內(nèi)部欺詐問(wèn)題的嚴(yán)重性呈反彈趨勢(shì)。銀行業(yè)內(nèi)部常見(jiàn)欺詐手段主要包括：盜取挪用銀行資金、偽造票據(jù)文件、竊取銀行公章、非法集資、飛單等等。內(nèi)部欺詐具有作案手段復(fù)雜多變、交易金額小、周期較長(zhǎng)、欺詐技術(shù)性較低等特點(diǎn)。

內(nèi)部欺詐的傳統(tǒng)監(jiān)管方式上也存在諸多難點(diǎn)：比如基于規(guī)則的篩選方式通常造成較高的假報(bào)警率；由于正樣本量(既確定為欺詐的樣本)數(shù)量往往非常少，有監(jiān)督模型難以在這里使用；欺詐行為多樣，在數(shù)據(jù)上難以對(duì)特征進(jìn)行總結(jié)，也導(dǎo)致很多有監(jiān)督方法難以使用；另外傳統(tǒng)的方法只關(guān)注了用戶數(shù)據(jù)之間的距離，而忽視了關(guān)系圈數(shù)據(jù)中可以發(fā)掘到的圖形拓?fù)潢P(guān)系等。

在通過(guò)AI模型解決內(nèi)部欺詐問(wèn)題前，首先要基于銀行內(nèi)部關(guān)于理財(cái)經(jīng)理的諸多維度數(shù)據(jù)，通過(guò)對(duì)既往違規(guī)案例進(jìn)行專題分析，發(fā)現(xiàn)該銀行過(guò)往的違規(guī)行為。在數(shù)據(jù)特征上，大致可以分為兩類，一種是交易行為維度上的體現(xiàn)，第二種是通過(guò)人際關(guān)系網(wǎng)實(shí)施的欺詐，在數(shù)據(jù)上體現(xiàn)在了數(shù)據(jù)之間的關(guān)系結(jié)構(gòu)異常。結(jié)合對(duì)過(guò)往案例的分析，有兩種解決思路：第一種，用多種無(wú)監(jiān)督模型偵測(cè)異常的解決思路；第二種，構(gòu)建圖結(jié)構(gòu)的數(shù)據(jù)，用社團(tuán)檢測(cè)和半監(jiān)督算法，如Louvain和GCN的解決思路。

總之，任何單一的方法都不能包括在數(shù)據(jù)層面上通過(guò)別的數(shù)據(jù)結(jié)構(gòu)角度體現(xiàn)出的信息，這也就是在此方案中，基于交易數(shù)據(jù)和基于關(guān)系圈數(shù)據(jù)分別采用不同算法來(lái)進(jìn)行檢測(cè)，從而達(dá)到雙管齊下的重要性。

案例二：利用圖卷積神經(jīng)網(wǎng)絡(luò)(GCN)算法破解團(tuán)伙欺詐風(fēng)險(xiǎn)

金融風(fēng)險(xiǎn)按照參與人數(shù)可以分為來(lái)自個(gè)人的風(fēng)險(xiǎn)和來(lái)自團(tuán)伙的風(fēng)險(xiǎn)，來(lái)自團(tuán)伙的風(fēng)險(xiǎn)主要是團(tuán)伙作案造成的風(fēng)險(xiǎn)，如團(tuán)伙欺詐。為了更好控制風(fēng)險(xiǎn)，專業(yè)人員將機(jī)器學(xué)習(xí)算法引入金融行業(yè)的風(fēng)控領(lǐng)域，極大提高了風(fēng)控水平。但是金融風(fēng)控領(lǐng)域的數(shù)據(jù)有一個(gè)很大的特點(diǎn)，就是正負(fù)比例通常極不均衡，因?yàn)橛酗L(fēng)險(xiǎn)的客戶數(shù)量相對(duì)全體客戶來(lái)說(shuō)占比非常小，這種極不均衡的數(shù)據(jù)并不適合用傳統(tǒng)的機(jī)器學(xué)習(xí)模型來(lái)處理，無(wú)監(jiān)督或半監(jiān)督模型會(huì)更適合。

建模的原則是根據(jù)不同的數(shù)據(jù)建立相對(duì)應(yīng)的模型：對(duì)于個(gè)體風(fēng)險(xiǎn)，可以使用檢測(cè)個(gè)體異常的無(wú)監(jiān)督算法。對(duì)于團(tuán)伙風(fēng)險(xiǎn)，由于這類場(chǎng)景中樣本之間存在關(guān)聯(lián)，且樣本間的關(guān)聯(lián)包含了重要的風(fēng)險(xiǎn)信息，但是個(gè)體的異常檢測(cè)算法難以捕捉樣本間的關(guān)聯(lián)信息，此時(shí)可以將樣本之間的關(guān)聯(lián)信息組成復(fù)雜網(wǎng)絡(luò)的形式，再使用針對(duì)復(fù)雜網(wǎng)絡(luò)算法來(lái)處理這類數(shù)據(jù)，比如圖卷積神經(jīng)網(wǎng)絡(luò)(GCN)。

GCN在金融風(fēng)控領(lǐng)域，尤其是團(tuán)伙欺詐和反洗錢等場(chǎng)景有著很好的應(yīng)用。在金融風(fēng)控領(lǐng)域，往往只知道少量樣本的真實(shí)標(biāo)簽(如發(fā)生過(guò)違約的用戶，可以確定有風(fēng)險(xiǎn))，目前沒(méi)有違約的用戶很難確定是否有風(fēng)險(xiǎn)。GCN這種半監(jiān)督模型只需要少量有標(biāo)簽的樣本就可以訓(xùn)練出精度高的模型，面對(duì)極不均衡的數(shù)據(jù)時(shí)效果會(huì)更好。相對(duì)傳統(tǒng)模型大多只能分析單個(gè)樣本的風(fēng)險(xiǎn)信息，GCN還有一個(gè)特點(diǎn)就是能將樣本之間的關(guān)聯(lián)信息(如社交網(wǎng)絡(luò)、共用電子設(shè)備、財(cái)務(wù)往來(lái)等)利用起來(lái)，適用于金融風(fēng)控中團(tuán)伙風(fēng)險(xiǎn)的場(chǎng)景。

比如根據(jù)企業(yè)自身的財(cái)務(wù)狀況信息和企業(yè)之間的金融交易數(shù)據(jù)構(gòu)建一個(gè)復(fù)雜網(wǎng)絡(luò)，再使用GCN來(lái)處理這類數(shù)據(jù)，從而識(shí)別哪些交易具有欺詐性。例如，可以建立一個(gè)交易的超級(jí)節(jié)點(diǎn)圖，判斷是否有洗錢圈？從而找出洗錢團(tuán)伙。

總之，金融行業(yè)是對(duì)風(fēng)險(xiǎn)管理和安全性要求非常高的行業(yè)。因此在應(yīng)用人工智能等新技術(shù)時(shí)，需把安全性和可解釋性應(yīng)擺在重要位置，防范模型和算法風(fēng)險(xiǎn)，需要加強(qiáng)模型和算法風(fēng)險(xiǎn)管理制度，規(guī)范技術(shù)應(yīng)用。針對(duì)不同業(yè)務(wù)場(chǎng)景下的數(shù)據(jù)集特點(diǎn)，進(jìn)行算法層面的分析，尋找模型精度與解釋性之間的平衡。

（文章來(lái)源：中國(guó)網(wǎng)財(cái)經(jīng)）

標(biāo)簽：