面对信用卡欺诈，AI 能做些什么？

老实巴交的农民林建国怎么也想不到，他有天竟会成为别人眼中的“老赖”，被追债公司逼着还钱。

这还要从前段时间有人来村里招工说起，他和一些村民被要求填一张包含姓名、身份证号、家庭住址等信息的表格，当时为了能快点上工挣钱，大家都没犹豫就填了。

后来他们才知道，这就是一个陷阱，所谓的招工只是幌子，诈骗团伙要的可不是他们廉价的劳动力，而是上面所填的真实信息，通过这些信息来申请信用卡，然后刷卡透支，从而让这些信息就变为真金白银。

但从未跟信用卡打过交道的林建国们，却从此进入了各大银行的黑名单，背负债务不说，还被抹上了信用污点，连整个村子都被银行归为了欺诈地址。以后在申请信用卡、贷款的过程中，如果出现了这个地址，就会很麻烦。

上面这个故事改编自天云大数据 CEO 雷涛对雷锋网(公众号：雷锋网)所讲的一个真实案例，这其实暴露出银行在传统的信用审核中所遇到的难题，即银行虽然拥有上亿万级的信息数据库，掌握着身份、联系方式、设备信息和资产信息等数据，但这种识别已经无法应对日益演进的欺诈技术和模式，而雷涛带领团队正在做的，就是希望能用人工智能的技术，解决这个问题。

面对信用卡欺诈，传统的信用审核有哪些短板?

大家在申请信用卡时，其实是把自己的数据都提交给银行，以证明我是一个有偿还能力并且守信用的人，银行多年来会有一套自己的辨别系统。

在传统的银行系统里，这些数据库更多的呈现为一种二维的结构，叫关系型数据库。如何理解?我们先来看这样一个例子。

老张和老王两个人准备相互担保进行骗贷，然后一起跑路，在银行传统的风控架构下，这种行为很容易被发现，因为维度很小，可以迅速的通过数据库来查询。

但目前真实的骗贷状况是，老张、老王、老李、老赵、老周的企业形成了一个担保圈，打算集体跑路，当银行现在要做一个 5 度甚至是 6 度的查询时，依据传统的计算方式，已经无法解决这个问题了。

在防止信用卡欺诈方面，国内目前的风控都是 rule base(规则驱动)的，更多的是根据经验来，抽象出系列规则，每一条规则触发一种欺诈场景，交叉组合相应的业务逻辑来进行判断，由此来做出风控模型。(下图)

但目前，这种方式在效率、有效性、全面性以及成本上都面临问题。与此同时，随着互联网金融的兴起，非现场交易的增多，这种模型会加剧银行风险防控的难度。

雷涛曾接触过很多金融行业的客户，以前，他们看一个进件(信用卡申请资料)时，会注重本身是否健康真实，即有没有违约记录，姓名、身份证号、电话号码等信息是否真实，但这还是会出现问题。

比如刚刚讲的案例，村民的信息确实是真的，人也没有出现过违约记录，还是出事了。金融业的风控发展到今天的趋势，其实会把不同的进件连接起来看深层次的关系，看从中能否发现潜在的风险。

简单来说，就是要在申请和进件之间建立关联，骗子手里的资源有限，他填的电话、地址、推荐人等信息，或多或少会在每天十几万个进建中重复。

我们会把不同的进件连接起来进行识别，在这个过程中增加新的维度，如果有其中一个欺诈电话号码，和他有关系的有好几个进件，那我就会认为它有问题。

雷涛所说的短板，其实就是现有的风控模型对于数据处理能力的不足，这次，他想借力人工智能来解决这个问题。

人工智能做些什么?

对于金融业而言，在信息、数据大爆炸的今天，会面临以下两个问题：

1. 数据来源多，且存储在不同系统，缺乏数据同步机制、数据无法共享。

2. 数据利用不充分，致使行销、审批、风险、策略研究、催收部等业务部门系统形成信息孤岛。

那主打“人工智能”的天云，是如何应对这些难题的?

这跟信用卡反欺诈又有何关系?

其实在金融行业，多年来积累了一定的数据，无论是人行的个人征信数据，还是部分银行间可以相互流通的数据。(后者的意思是，如果你建行的信用卡逾期了，再申请工行的信用卡，就会遇到麻烦)

将这些数据通过特征表达的方式转化到数据模型后，机器就可以借此来表达以往很难描述的金融现象，因此特别适合处理风险、欺诈以及金融产品的营销，这些依靠过往经验难以准确定量的事件。

具体到信用卡申请场景，这些数据包括申请人的社交数据、联合推广人信息数据、申请人信息数据、单位联系数据等。

雷涛告诉雷锋网，这么做有 3 点好处，一是融合了信用卡申请环节的各个业务数据，解决了数据孤岛的问题;其次，这个过程中会引入第三方数据，比如银联数据等，扩展了数据的维度;第三，通过构建申卡客户的社交复杂网络提供客户的社交数据，在拓展覆盖维度的同时，以弱变量来体现强变量，并且实现了社交数据的高频率更新，提高了数据的准确有效性。

未来的打算

将 AI 赋能金融反欺诈，其实在国外早已开始，雷涛坦言，目前在银行反欺诈方面中国与北美的差距还是很大的，硅谷的金融科技创业公司很早就将这一技术应用起来了。

比如，京东和百度同时投资的美国金融科技公司Zest Finance，便是一家明星公司。

它们利用机器的深度学习，从大量的数据中提取变量，并采用多个预测分析模型，其中就包括欺诈模型。

除了反欺诈，其在预付能力模型等方面也用来帮助用户降低信贷成本，它的核心竞争力就是数据挖掘能力和模型开发能力。

虽然目前在保险公司或者是运营商中，都有用机器学习的算法来做用户流失风险预警，交叉推荐等数据挖掘的工作，但目前这在国内，却面临很多困境。

雷涛告诉雷锋网，一个很大的问题是人才的不足，很多做数据科学的人，一般对编程领域较为陌生，而熟悉编程的人又不懂算法。

（编辑：南京站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!