“無科技，不金融”。隨著移動互聯網時代的到來，科技金融模式不斷創新，但是欺詐手法也在不斷翻新，呈現出專業化、產業化、隱蔽化等特點。日前，世界科技開發者盛會DeveloperWeek 2019評選VR、人工智能、金融科技等領域優勝者。

無監督機器學習技術是什么，為何會被認為十分具有投資價值？它能在科技金融活動中起到什么作用？能解決哪些金融交易中的問題？

科技金融反欺詐創新利器

與傳統金融不同，互聯網金融業務大多發生在線上，往往幾秒鐘就完成審核、申請、放款等，面臨的欺詐風險也是空前的。據統計，我國網絡犯罪導致的損失占GDP0.63%，一年損失金額高達4000多億人民幣。國際上的情況也不樂觀，多份市場研究報告指出，僅2016年一年，全球信用卡、借記卡、預付卡和私有品牌支付卡損失就高達163.1億美元;每年保險欺詐（不包括健康險）損失總額預計超過400億美元。

“隨著技術不斷演進，針對金融業的威脅、欺詐手段已不同以往。團伙作案、分工明確、掌握各種先進技術工具、不斷變化威脅手段，全新挑戰使得金融企業越來越難以招架。”DataVisor中國區總經理吳中說，金融反欺詐期待創新已成業內共識。

“無監督機器學習是近年才發展起來的反欺詐手法。目前國內反欺詐金融服務主要是應用黑白名單、有監督學習和無監督機器學習的方法來實現。”愛信諾征信有限公司總經理金端峰在接受科技日報記者專訪時說。

黑白名單被認為是最原始的反欺詐方式，類似于“篩選器”。如銀行征信系統就可理解成一個黑白名單，信用卡多次逾期還款就可能被列入信貸“黑名單”;在淘寶上購買了退貨險后屢屢退貨，就可能上騙保“黑名單”。黑白名單是所有反欺詐方法中比較簡單的，但也是更新較慢、成本較高的。

能將異常用戶一網打盡

有監督學習需要大量有標簽數據來訓練模型，以此來預測還未被標注的數據。以垃圾郵件為例，假如把5000封已由人工確認過的垃圾郵件輸入到模型，模型通過對標題的識別、郵件內容句子的分割、關鍵詞的識別等各種分析方法，找到其中的內在關系。如標題中有“福利”二字的，有90%的可能性是垃圾郵件;一次性發送超過200封的，有60%的可能性是垃圾郵件;回復率低于10%的，有70%的可能性是垃圾郵件……于是，當模型處理一封新郵件時，通過檢測以上各子項，并對每一子項乘以百分比后相加，就能得出垃圾郵件的可能性。但有監督學習的弊端是，每個模型都需要大量訓練數據以及較長的訓練時間。

“可能你的模型還沒有訓練好，欺詐分子已經完成欺詐活動并尋找下個目標了。”吳中說。

無監督機器學習主要方式有聚類和圖形分析。金端峰說，無監督無需任何訓練數據和標簽，通過聚類等機器學習算法模型發現用戶的共性行為，以及用戶和用戶的關系來檢測欺詐。“通過無監督機器學習分析用戶的共性行為，可以發現偽裝過的異常用戶，將其一網打盡。”

何為聚類方式？例如一群用戶注冊事件，可通過聚類發現幾個小群符合某些共性：注冊時間集中，都使用了某種操作系統，某一個瀏覽器版本等。該用戶群中的任何一個單獨拿出來分析，看上去都極為正常，如果符合某種超乎尋常的一致性就十分可疑了。比如一群人在凌晨2—3點采用同一款瀏覽器注冊了同一產品，其IP的前20位相同，GPS定位小于1公里，注冊后都修改了昵稱和性別等。

現在的金融欺詐都是團伙作戰，面對“化整為零，批量復制”的欺詐手法，金端峰說，無監督算法應用于反欺詐檢測還有一個優勢，那就是能提前預警。“現在的欺詐分子都有潛伏期，以免太容易被發現。由于他們在潛伏期的行為依然符合某種規律，具有某些一致性，同樣還是會被無監督算法捕捉到。在威脅發生前就檢測出欺詐分子，這一點傳統方法是難以做到的，防患于未然這也是無監督機器學習之所以在反欺詐檢測中大放光彩的重要原因之一。”

責任編輯：ct