市场合作，请您联系：
品牌广告合作，请您联系：
企业创新合作，请您联系：
满足以下场景，获得更高通过率：
新融资求报道
新公司求报道
新产品求报道
创投新闻爆料
为你推送和解读最前沿、最有料的科技创投资讯
36Kr股权投资
汇集行业内最优质创业项目的股权投资平台
聚集15家顶级投资机构的专业互联网融资平台
聚集全球最优秀的创业者，项目融资率接近97%，领跑行业唯你网预测金融风控体系会被人工智能颠覆吗？_日记谷日记网
您当前所在位置： &
& 唯你网预测金融风控体系会被人工智能颠覆吗？
选择字号： 中
关闭音乐播放音乐
头图来自视觉中国，未经授权，请勿使用
/ 史蒂夫·乔布斯的“一块玻璃”手机改变了世界，把人类带到了便利的移动互联网时代，并且结合金融， 形成了互联网+金融的普惠金融模式。 任何人只要会使用智能手机，在京沪这样的城市已经可以不带钱包出行了。 可以说普罗大众都已经能体会到互联网金融时代的便利。而阿尔法狗（AlphaGo）的成功，让吃瓜群众发现 AI 已非昔年靠穷举法赢棋的“深蓝”（IBM开发的国际象棋机器人），而是有了自主推理学习能力，进而大家担心人类是不是有朝一日会被人工智能机器人“颠覆”掉？人工智能已经在无人驾驶、图像处理、语音识别方面取得了突破性的应用，那金融领域呢？
/ 日记谷 李开复老师曾谈及人工智能应用的三个要素：数据、处理数据的能力和商业变现的场景。人工智能解决金融界问题的过程， 很好的对应了这三个要素。也许， 金融领域是人工智能最合适不过的颠覆场景了。在金融业务的前端，已经有不少传统银行将人工智能用于为客户定制服务，开发理财产品的应用。例如巴克莱银行和花旗银行等。 国内银行中走在科技前列的招商银行，也开始试用全新的人工智能业务模式。未来人工智能和机器学习技术在金融业前端会有更多的便捷精准服务提供给客户。【来源：虎嗅网】那么金融应用领域的后端呢？ 信息安全、投资风控、资产管理等方面的问题成了新问题，对于躲在触屏手机背后的客户，缺失了央行数据的客户，银行没有办法通过一双双眼睛去看到用户是谦谦君子还是骗子流氓。这个时候， 金融后端，传统金融风控手段覆盖不到和难以触及的， 那么“互联网+金融”业务就要结合更广泛的互联网数据和人工智能手段， 来处理更广泛的金融客户问题。 从这个角度考虑，新金融时代，人工智能和机器学习，是真的要“颠覆”传统金融风控了吗？ 在引入人工智能处理互联网行业几十万维数据的处理手段，“降维”处理金融业界万维、千维数据的时候，是会形成有效的降维攻击吗？注：本文援引CreditX在招行卡中心培训干货内容为例， 来解析人工智能和机器学习将会如何登上金融风控的主要舞台。在谈及机器学习在金融场景中的实际应用之前，首先我们对金融风控的一个标准业务流程进行梳理，通常一个风控业务包括前端页面用户资料申请提交和收集，反欺诈、合规、逻辑校验，核心决策授信包括申请评分和电调，以及最后的催收。面对这套业务流程， 新金融风控领域面对的数据痛点，一般有几大类：反欺诈业务流程上，机器学习已经在每个风控节点发挥作用。比如反欺诈环节，在泛互联网的环境里， 金融风控面临的传统个体欺诈已迅速演变为有组织、有规模的群体欺诈和关联风险。而传统反欺诈还停留在识别一度风险等这种简单规则方式，如联系人中借贷人个数等，对于二度、三度乃至更广范围的网络全局风险苦无良策。机器学习里面基于图的半监督算法很好地解决了这一诉求，基于申请人、手机号、设备、IP地址等各类信息节点构建庞大网络图，并可在此之上进行基于规则和机器学习的反欺诈模型实时识别。核心授信决策在申请评分环节，传统金融风控往往是基于评分卡体系对强征信数据如银行借贷等进行建模，而新金融的业务下，客群的进一步“下沉”，覆盖更多收入群体，新增群体的强征信数据往往大量缺失，金融机构不得不使用更多弱金融数据， 辟如消费数据、运营商数据、互联网行为数据等。这类底层数据的改变，对传统信用评分卡造成了巨大的困难，具体体现在：1、诸如互联网行为、运营商数据很多都是非结构化数据，数据繁杂， 建模前的特征工程很难用传统人工的方式完成加工。2、由于数据类型和范围的大幅扩大，新模型面对的往往是加工出来的上千维弱变量特征，评分卡体系根本无法融合吸收这些特征。3、线上新金融业务风险环境频繁演化，传统人工迭代模型无法适应风险变化速度，迭代优化太慢。人工智能和机器学习对上述问题有独到处理：面对数据繁杂的问题，基于深度学习的特征生成框架已被成熟运用于大型风控场景中，对诸如时序、文本、影像等互联网行为、运营商非结构化数据实现了深层特征加工提取，显现出对模型效果超出想象的提升。【图注】上图为大型信用贷场景中模型重要性特征列表，机器学习特征比例已经超过专家人工特征。针对数据驾驭难的挑战，经过大量实践表明，不同的数据用合适的模型才能挖掘出其最大价值。幸运的是，机器学习方法过去在互联网广告、搜索、推荐等技术的成熟应用，正是对不同类型的数据用不同的机器学习模型进行处理，将此移植到金融场景中，用复杂集成模型就可以轻车熟路地处理上千维度的弱变量，并将之与违约风险精准挂钩。解决模型迭代慢也是机器学习最擅长的事情。 过去互联网公司每天都产生海量用户数据，需要对搜索、推荐模型持续频繁地在线优化，自迭代频次比金融领域更快速更准确，这是人工迭代几乎无法解决的问题。因此在金融风控中，通过对模型特征、借贷群体、模型性能和业务反馈等多方面的监控，机器学习模型已经能很好地进行在线快速自迭代。AI-DRIVEN的大数据风控事实上，机器学习要解决的问题很清晰，所有的这一套数据适配融合、群体反欺诈、特征工程、模型构建和训练、性能监控与自迭代的机制，包括深度学习、半监督学习、在线学习等技术，核心都是为了将互联网级别的机器学习技术“降维”应用到金融领域，解决新金融场景上数据的独特性，一方面可用数据比互联网要少，另一方面又比传统评分卡体系多了很多不可解释、高维稀疏的大数据。
日记标签：
上一篇：( 15:28) 下一篇：( 09:11)
相关推荐热评24小时
1 2 3 4 5 6 7 8 9 10
1 2 3 4 5 6 7 8 9 10
1 2 3 4 5 6 7 8 9 10
1 2 3 4 5 6 7 8 9 10
日记谷 CopyRight & 2011 版权所有消息，在周日于深圳举行腾讯大数据技术峰会暨KDD&China技术峰会上，百度金融服务事业群组研发负责人、KDD&China副主席沈抖博士介绍了百度金融各场景背后的人工智能技术和方案，包括安全防护、智能获客、大数据风控、量化投资等。以下是沈抖博士演讲实录，雷锋网做了不改变原意的编辑：安全防护：亿万级数据如何进行实时身份识别佐证除了通过攻击机器，黑客还会在你跟服务之间的通信链路上去突破，所以我们就必须做好加密，这也是为什么现在所有的银行板块基本都会使用HTTPS加密。原来百度搜索不是这样做的，因此会导致用户搜索过某些东西后，就会接到推销电话的情况，其实这是因为在中间的链路就被劫走了。如果这招还搞不定，设备是安全的，链路也是安全的，那么黑客能想到的就只能把你的用户名和密码偷走了。所以会出现很多地方的账号泄露，也导致很多拖库和撞库事件的发生。往下想还有更可怕的是身份盗用。所以这时候就有必要去做谓生物佐证和活体识别。现在，活体识别是整个金融行业做身份识别中非常重要的一块。照片容易复制，所以单单提供一张脸也未必就可信，所以必须让用户做活体，比如眨眼、扭头、张嘴等。所以上述就是安全防护中会出现的攻击步骤，并且一步步都变得愈加严重。那百度现在每天有这么多的数据，可以做什么呢？登录授权，身份刻画比如所谓每天300亿次授权，就是如果你处于登录状态，每对百度进行一次访问，这个PV都会到达后台，可以做什么呢？就是比如虽然登录的时候是你，然后传输过程中也是你，但是有可能黑客在不知道什么地方就把你的身份信息截获了，并从另一个地方登录访问。所以从系统上来讲，我们要实时地判断这个身份是否已经被替换了。所以，每日300亿次授权，200亿次定位，60亿次点击，3亿次登录请求都可以用作身份刻画。实际上在判断一个账号是否安全的时候大概就看这几方面：时间冲突首先时间上，如果突然有一段时间在印度，突然有大量的百度账号，而且晚上两点三点发生很大账号行为，但这行为却是根本没干什么。很多黑客一下撞库拿到很多账号之后，他怎么办？他就真的是批量地去尝试——这些账号能不能登陆？假如都登录完了之后，发现你有钱包账号，他什么都不干，直接跳去看你有多少余额。一般正常人不会做这样的事（意味着是安全风险的信号）。所以实际上所有这些数据合在一起，基本上就能判断这个人到底是什么情况了，也因为如此我们就会加重组织的风控指标，来判断每一次登录是否正常。证明“你是你”说完流程，下面讲一下怎么去判断一个人真的是一个人——证明“你是你”。证明你是你的时候有很多方法，包括前文的人脸识别、活体识别等，但在现在移动设备流行的前提下，有一个手段是非常便捷的——手写签名。在移动设备上，因为它可以记录每个人签名过程中的力度、速度、书写风格等，所以在采集到信息后，算法上把整个字分成各种小段，进行特征分类等方法来进行签名比对。这种方法的好处在于，每个人的书法习惯是很难去模仿的，因为一旦有了模仿的前提，速度和节奏极可能发生变化。智能获客和大数据风控其实智能获客和大数据风控都离不开对人的画像刻画。无论要做获客，找到这个人；还是要做风控，判断这个人是好人或坏人，都要对每个人有非常深刻的了解。我们举几个例子，看怎么去了解一个人：首先看看有没有贷款的意愿，可以从人生阶段、消费习惯等能够判断趋势；接下来就看其有没有还款的意愿，是不是很想贷，但贷了不想还；那如果即使想还，还要看其有没有还款能力，有可能还不起，比如尤其是过度消费导致多头借贷的情况；最后就是没有还款意愿的欺诈行为。智能获客：精确度与时效性任何行业都存在获客的问题——低成本地获得想要的客户对业务经营的作用不言而喻，金融行业同理。金融领域要想做好获客，大概是这几个方面：第一，得知道其有这个需求；第二，得有通道去抓获。无论是从搜索、LBS，还是到浏览，都表达了客户的需求。如宏江老师所说，一些新闻推荐你也许觉得不相关，但其实也表达了你的潜在诉求，你的行为就是你自己。通过这些行为，我们就能看出来这个人到底想干嘛，然后通过标准分类把他们找出来。再举个例子，即使知道了这个人想干嘛，还得必须得有一个方法以特别快速地去处理，因为客户的需求变化很快。如果一个人，如果一个人，发现他有借贷需求时，在第一天向其推送消息时，其响应率比较高，如果到了第二天再推送，响应率则衰减一半。之所以出现这种情况，一方面可能是因为人的兴趣确实在变，昨天有消费冲动，但是过了一天就冷静下来了。第二种情况是因为现在互联网金融或者叫科技金融实在是竞争太激烈了，今天没有回答他，就有人接替来出单了。所以从这些角度来讲，我们不但要安全地触达，还要及时。智能定价：成本与获客收益的平衡获客的话，我们要在智能的区域出价，以合理的价格触达每一个用户，不可能不计成本地去做。因此，这里面就是涉及怎么动态地调整定价策略、出价策略，就是根据客户的贷款意愿强弱、还款能力强弱，是否存在欺诈可能等。所以这些因素考虑完了之后，根据这样的ROI来出价把客户给拿下来。这个推算也不难，基本上是：把顾客的收益乘以转化再乘以目标ROI，然后再加上一个条件因子，因此可以得出来一个竞价。然后竞价会随着ROI变化来调整，连二阶导数都用不上。所以，这就做到了在ROI不变的情况下，能挑到越来越好的用户。除了要控制好成本，及时给出消息，我们还得给出一个好消息。所以我们这里面就分成几点：首先这个取决于客户的兴趣爱好、人生阶段，客户的生命周期、生活体制、消费水平等所有因素放在一起解决的。在今天，我们还看到比如支付在机场等一些地方张贴广告，拉客户，其实这种成本是非常高的。公式计算的是：比如需要多少补贴，一个用户才会使用我们的产品来支付；第二个是转化率不能特别低，成本省下来了，用户没有获取到，这也是不行的。这些都可以提高获客的效率和效益。那么这个这里面最关键的一个是转化率的问题，就是现有模型的问题。在这样一个补贴的情况下，在这个场景下，到底要不要转化？所以大家特别想获得一个补贴的话，可以在选择时犹豫犹豫。（说不定系统会以此提高补贴额度，哈哈！）大数据风控：各类模型如何配合？下面是大数据风控。这里列了很多模型，真正在做金融的时候，整个用户的生命周期里面，每一个阶段都会有很多模型来支持。这也是为什么这个金融行业需要大量机器学习、数据挖掘、人工智能等专业人才。比如，申请的时候就有风险模型欺诈策略；然后到额度这种流动模型贷款利率的时候就需要定价模型，虽然现在国内我们去房贷时利率差不多，但实际上每个人风险不一样，利息率就应该不一样；而欺诈贷后管理的过程中，则需要行为风险模型。行为风险模型的使用，比如说现在的教育贷款，用来帮助资金比较短缺的学生投资自己的，上个补习班之类，但如果放贷后发现，这个学生基本不上补习班，还经常在BBS上讨论游戏攻略，那应该赶紧把钱要回来了。所以风险模型都会去判断放出去的贷款的风险的大小。但如果是好的客户，我们需要持续地做，但其有可能是抓不住的，这就要看其流失的风险。最后是逾期催收和失联修复的所用到的模型。所以有很多这种模型，这里面是简单的说明。以前的风控模型和现在的机器学习没有很大的区别，但过去的做法不对。一来缺乏是大量数据实时输入，二是用户端和企业端是否做到各方同时考虑呢？比如教育贷款这个场景，也许学生是好学生，但是机构不是好机构，这样的风险更高。此外投资资产质量的问题，也是有很多数据可以在前期把风险识别出来。比如高速公路想要用抵押的方式贷新款，银行需要调查高速公路的车流量时，过去真的要派一个人到实地去考察，现在、GPS这么发达，它们收集的数据足以帮助设计完成这个任务。量化投资最后讲一下量化投资。量化投资的正常流程是：投资标的调研筛选出合适的标的，然后建立投资组合组合风险控制，动态调仓这里面用的是搜索量和股价之间的拟合程度的原理。因为百度上每天跟股票名称和代号相关的搜索大概有2000多万次，而且我们分析一下发现，搜索量和股票价格的关系度比较高，其正相关相关系数在0.7以上，本身这个搜索量其实就反映了一个用户对股票的兴趣程度，这时我们再加上隐形的因子判断，再慢慢地我们自己的理解就能反映出来，潜在的买家在哪里。所以这些东西放在一起，就可以对股票的价格有非常好的建议。而除了股票价格以外，还有很多其他行业研究可以做。比如汽车行业的销量调研，我们也可以从OBS数据里拟合汽车的销售量，有了这些行业数据以后就可以比别人更早地获悉机遇，更早地在这些领域掉头，或者增资。从一些更细的因子来看，我们希望机器学习了各种指标后，找到那些相关的，最好是强相关的因素，包括搜索舆情，能够在这个几个指标上都能够形成比较稳定的相关性。虽然这讲的是百度金融，但其实不止是百度金融，这也反映出来从互联网金融，到科技金融、金融科技，整个演变过程，其行业前景都是要用好大数据、人工智能这些技术。版权声明：本站的信息和链接版权归相关公司所有，仅供宽带网用户测试研究用途。
如侵犯到您的权利请通知我们，我们确认之后将立即清除。