当前位置:电子银行 > 正文
人工智能技术在金融反欺诈领域的应用探析

  随着人工智能技术的发展,金融反欺诈领域也在寻求使用新技术提升网络金融交易安全与欺诈风险防控水平的方法,主要体现在以下几个方面:

  一、应用生物特征识别技术提升客户端交易安全

  高德纳咨询公司(Gartner)的报告显示,基于生物特征的身份验证是在平均了安全性和便捷性的考虑后,最为客户接受的身份验证手段。生物特征为人体所固有,不可复制、失窃,不会被遗忘,因此生物认证在提高交易体验上具有独特的优势。另一方面,随技术发展,生物识别技术的识别精度,准确度、稳定性和可靠性日渐提高,生物认证的安全性甚至比传统的密码、短信验证更高,更适用于移动金融应用中。

  总的来说,在各类生物识别技术中,指纹识别的识别速度最快精度最高,是当前应用最为广泛的一种。

  随着越来越多的厂商在手持设备上集成指纹识别器,有越来越多的移动金融应用将指纹作为身份验证的工具,典型的例子是APPLEPAY、支付宝与银联客户端。指纹验证最大的问题在于依赖于硬件,在低端机市场上仍有大量机型没有配备指纹识别仪,因此部署指纹认证的同时仍需部署其它认证方案作为备选。

  随着人脸识别与语音识别精度的上升,不少移动金融APP开始用刷脸认证、语音认证进行安全认证。

  典型的例子是国信证券远程证券账户开户、微众银行开户、建行的刷脸取款等等。由于普通智能手机就可以支持刷脸认证、语音认证,用户无需携带专有硬件,因此推广成本比较低,客户也较容易接受。但是刷脸认证、语音认证操作比较复杂,不适合用于扫码支付等效率要求较高的场景,目前普遍用于一些低频的交易,例如开户、登录等。

  而较为新颖的虹膜、静脉识别技术目前也有一些初步的应用案例,例如南京银行曾经将静脉识别应用于ATM无卡存、取款等。

  二、应用智能模型提升欺诈识别效率

  网络金融欺诈风险防控不仅仅只能依赖于客户端的安全加固,随着大数据智能反欺诈的发展和应用,银行端的欺诈风险识别与控制能够在交易前对风险进行预防,在交易中实时的侦测异常并采取措施,并根据不同交易风险等级采取差异化的交易认证措施。

  对于低风险交易,是交易流程的简化;对于正常交易,是无感知的安全体验;对于高风险交易,则是有针对性的安全提示及多层级个性化的安全措施,可为客户带来完善的安全体验。实现智能风控的前提是在交易完成前对这笔交易的风险进行快速准确地判断。为达到快速判断,一方面应提升欺诈实时侦测模型的效率,另一方面可建立事前风险判断机制。

  首先在侦测模型方面。

  传统的反欺诈业务分析基于大量历史案件总结出来的“专家知识”,归纳欺诈特征并制定应对的规则,因此应变性比较差,对于未知风险的挖掘能力不足。基于大数据进行训练或分析的机器学习模型可以填补并增强简单规则无法覆盖的范围,并且可以处理非结构数据,即使有成千上万的输入信息变化特征,也可以自动识别复杂的欺诈模式。

  例如,利用神经网络模型可实现潜在风险的挖掘,包括睡眠销赃账户、高危终端、待传播钓鱼网站的提前识别与控制,从而有效提升风控的前瞻性;通过关联分析模型,可以发现欺诈交易的规律和模式,为反欺诈策略研发提供借鉴;借助异常检测模型与聚类算法可以排查出可疑交易,实现未知风险的防控。

  目前不少商业银行正在探索以上智能模型的应用,例如建行正在研究将神经网络模型应用于银行卡交易欺诈的防控,并已取得初步的成果。

  事前风险判断机制包括根据历史数据建立客户行为画像与欺诈风险预评估,包括应用社会网络分析对于识别欺诈团伙非常有效。在客户交易发生前对行为的风险进行评估,并相应的调整认证强度,在客户交易发生时及时收集交易要素,并判断当前交易是否在正常域值范围内,达到迅速识别欺诈风险的目的。

  三、应用大数据技术为欺诈防控提供支撑

  模型的训练需要大量的案件样本数据,客户行为画像也需要累积大量数据。

  普遍认为商业银行在客户、账户信息方面的数据累积相对较为成熟,目前的风险防控主要基于这些信息开展。但在变幻莫测的互联网环境下,非金融行为记录有时更具有分析价值。互联网企业在收集数据方面独具优势,依靠电子商务、社交软件等系统收集的风险识别数据数据可以涵盖从客户、交易、终端、位置、行为、偏好甚至关系网络等多个维度。

  例如,百度金融科技宣称其通过旗下多款APP收集了8亿多台设备的行为数据,通过这些信息可以对客户形成完整画像;京东金融称其从互联网、供应商与金融业务中收集客户的行为数据、消费数据、物流数据、供应商数据与信用数据用于反欺诈与信用风险防控;微众银行已将用户社交网络数据用于贷前审批;蚂蚁金服正在尝试收集打字速度,按压屏幕力度等信息用于风险防范等等。

  商业银行一方面需要整合各条线系统内数据,同时增加非交易信息的采集,包括建立风险案件数据的收集,为模型训练提供基础。另一方面可以通过加强跨机构、跨行业的交流与合作,对风险识别的数据来源进行补充,弥补自身大数据采集方面的不足,互通有无、博采众长,包括与银行同业、监管部门、社会公共管理部门、卡组织、电信运营商、互联网公司等共同建立全方位、多层次的反欺诈联合协作机制,共享黑产名单、互换风险数据。

相关链接:

作者:周岚 来源:中国电子银行网 发布时间:2017-09-12 05:58:24
 
 
  我要发表留言  查看所有评论
 

*
 限制字数显示剩余字数,最大长度: 500 还剩: 500
用户名:
       尊重网上道德,承担一切因您的行为而直接或间接导致的民事或刑事法律责任