0
"科技領(lǐng)域不做安全風控，就等于造汽車的時候沒有做剎車。”螞蟻集團首席AI科學家漆遠這樣形容安全風控的地位。
有安全作錨，大船方能當風御浪。失去安全感，信任與共識的建設(shè)也就成了無根之木。事實上，許多高精尖技術(shù)是首先在安全領(lǐng)域落地和發(fā)展，再在其他行業(yè)發(fā)光發(fā)熱。
但如今的金融安全之險，或許完全超出你的想象。
當黑天鵝事件頻發(fā)，當黑產(chǎn)演化日新月異，風險不會只出現(xiàn)在支付或是貸前環(huán)節(jié)，也不光沖著消費者而去。交易全鏈路的每一環(huán)、每一方都像蓄滿電荷的積雨云，在黑夜里等待一個爆發(fā)的契機。
可是消費者和商戶、金融機構(gòu)最想要的那根“避雷針”是什么樣子？細細摸索這構(gòu)造極為復雜的交易網(wǎng)絡(luò)之后，我們和支付寶聊了聊他們的“秘密武器”。
未雨綢繆，可以說是安全風控的最理想境界。但常見的業(yè)內(nèi)風控方案往往是被動響應(yīng)式的，在交易開始前一籌莫展，白白浪費最佳風控“身位”。
不做主動風控的原因有二，一是不敢，二是不會——在不少支付平臺看來，自己只負責保證交易正常完成，只要資金沒有被盜就算功德圓滿。
但支付寶選擇為用戶主動承擔更多責任，主動風控也早已成為安全陣型里的常規(guī)配置。
此前他們曾為C端用戶遭遇的網(wǎng)絡(luò)詐騙風險，調(diào)教出一套全鏈路交互式的主動風控體系，例如通過智能彈窗喚醒用戶，又或是延遲到賬或資金截留，盡量阻止欺詐交易的發(fā)生。
但他們很快就意識到，用彈窗中斷交易、進行風險攔截，確實直接了當，也確實不夠溫柔。
如果用戶因此而對風險提示無視或者反感，可能就錯失了一次阻止欺詐發(fā)生的機會。
于是去年7月，這套主動風控體系架上了一把“重機槍”：反詐騙叫醒熱線。
當識別到交易存在詐騙風險時，系統(tǒng)會通過數(shù)據(jù)解析和智能派單，幫助客服快速定位超過一定金額的疑似詐騙交易行為，并由人工客服和AI客服致電用戶提醒，防止消費者在其他渠道被騙。
此前叫醒熱線優(yōu)先服務(wù)50歲以上的老年人，上線以來，詐騙資損率已下降8成；現(xiàn)在熱線已覆蓋全年齡段的高風險人群。
比起風險攔截，語音方式的提醒和交流相對不顯生硬，也更具有交互感。目前，AI客服可以做到和人工客服一樣和用戶對話，在交互中判斷用戶遭遇的騙局類型，進行針對性地提醒。
漆遠告訴雷鋒網(wǎng)AI金融評論，這是一種“更兼顧體驗的柔性手段”，能讓用戶理解系統(tǒng)所看見的風險點和來電的出發(fā)點。
“如果客戶明確表示，自己沒有被騙，我們也能通過交流，確保他后續(xù)的支付是順暢的?！彼a充道。
支付寶首席AI科學家 達摩院金融智能負責人漆遠
這種安全感的關(guān)鍵來源之一，是支付寶持續(xù)默默深耕的知識圖譜技術(shù)，在復雜結(jié)構(gòu)的關(guān)系網(wǎng)絡(luò)中摸清犯罪團伙的蹤跡。
在此基礎(chǔ)上，支付寶的智能風控引擎能在0.1秒之內(nèi)，通過近500條量化策略、100個風控模型，7*24小時實時風險檢測掃描及保護交易支付，于數(shù)億交易中精準識別賬戶異常行為，對每筆交易進行用戶行為、交易環(huán)境、關(guān)聯(lián)關(guān)系等8個維度的風險檢測。
交易鏈條的下游，藏著另一個致命難點：事后舉報和調(diào)解。
風控系統(tǒng)和用戶的關(guān)系，有時像一對母子：系統(tǒng)明示了交易風險，但用戶實在“叛逆”——數(shù)據(jù)顯示，有60%的用戶被騙就是因為不聽系統(tǒng)一句勸，這種追悔莫及自然也讓用戶對交易后的風控效果懷有更大的期望。
識別詐騙是一個世界性難題，如果不是造成實際損失，很多人在過程中都無法意識到自己被騙了。事后在和疑似騙子的對方發(fā)生糾紛時，也同樣很難向平臺說明自己真的是被騙了。
第三方支付機構(gòu)一樣有苦衷：人工介入的成本太高耗時太長，做一個審理系統(tǒng)又不知從何教起……
這樣一個無數(shù)用戶急需的功能，支付寶并沒有置之不理，貼合用戶訴求，快速推出了智能審理服務(wù)，用于欺詐場景的用戶投訴糾紛處理。
系統(tǒng)能整合各平臺商家客服、AI電話、法律援助、在線視頻等能力，通過文字、聊天記錄截圖、客觀數(shù)據(jù)等證據(jù)來提供調(diào)解，但最“硬核”的，還數(shù)支付寶全球首創(chuàng)的交互式舉報流程。
這種交互式與傳統(tǒng)問卷式區(qū)別在哪兒？
以前要投訴，用戶得填一大張表格，時間地點投訴對象，交易過程請在規(guī)定字數(shù)內(nèi)描述完成，再一次性提交一堆不知道派不派得上用場的截圖。
交互式就像有一位小姐姐專門服務(wù)你，挑要緊的事兒先問，再根據(jù)用戶的回答，提取出下一步有針對性的提問，從而大幅節(jié)省用戶的時間精力。
支付寶安全實驗室就是通過多模態(tài)模型來理解用戶，并根據(jù)去黑盒化的實時抗辯能力來判斷風險、類案、缺失要素，從而定制交互信息。
這表面是客服，實際要做的是一個機器“判官”，要看得懂證據(jù)，聽得懂吵架，能明辨是非正確判決，最后還要給出用戶可以接受的調(diào)解結(jié)果。
漆遠也坦言，抗辯性和司法層面的AI可解釋性是當中最難跨的兩道坎。
抗辯性，顧名思義，如果雙方掐起架來，AI必須要能理解兩邊吵架的邏輯。比起“解語花”式的智能客服，“老娘舅”式智能審理客服的升級之處就在于系統(tǒng)對抗辯性的自洽和更大容納。
可解釋性，是指在每一輪智能交互中，AI都基于當前所掌握的信息，給出具有解釋性的識別結(jié)果或決策。
漆遠對AI的可解釋性格外重視，在他看來，機器學習算法之所以在業(yè)務(wù)安全落地時，對可解釋性要求非常高，是因為完全黑盒的模型可能造成無法預料的后果，這在業(yè)務(wù)安全上有較大的危險，需要有人可以理解的邏輯和介入修正。
尤其是在處理投訴和糾紛，或人機交互的過程中，直接反饋給用戶的處理決定，對解釋性的要求更高，需要用人可以理解的語言和邏輯去表述。
也就是說，AI的發(fā)言得讓人聽懂，并且有理有據(jù)令人信服。
“從法律層面出發(fā)，這項功能要做到全要素審核，采用的必須是與司法知識相結(jié)合的AI，不光能理解法律，更要能把法律的核心要點用人可以理解的語言和邏輯順利解釋出來。所以要在技術(shù)層面下功夫，還要聯(lián)合運營、司法實務(wù)的同學去共建?！逼徇h補充道。
據(jù)支付寶安全實驗室透露，目前智能審理可以實時1秒內(nèi)定性，可定性的風險涵蓋盜用，欺詐，賭博，非法投融資等20余種，定性準確率已經(jīng)超過95%。
如果說主動為C端消費者的交易安全“負重前行”已屬不易，迅速讓廣大商戶復工復產(chǎn)、恢復經(jīng)營任務(wù)則是難上加難。
以商戶入網(wǎng)為例，核查常以線下人工操作為主；如今在防疫要求下，推廣無接觸式的線上申請和審核，優(yōu)化商戶入駐體驗、簡化簽約流程成為當務(wù)之急。
但線上模式仍然存在缺陷：在審核商戶的門頭照、營業(yè)執(zhí)照、網(wǎng)站及APP等憑證時，機器還是很難替代人工，審核時效慢、成本高、易積壓，人工還很難識別出偽冒及沖突等風險。
利楚掃唄就是面臨商戶入駐核查難的企業(yè)之一，支付寶針對這些痛點，為這家聚合支付服務(wù)商打造了專屬入網(wǎng)審查方案：
采取證照OCR自動識別技術(shù)，商戶或業(yè)務(wù)BD用入網(wǎng)工具拍攝上傳，系統(tǒng)即可自動上傳、自動識別、快速入網(wǎng)，自動查詢商戶的法人身份證和執(zhí)照信息是否真實。
這一方案的成功實施，讓利楚掃唄現(xiàn)在的日均新入網(wǎng)商戶數(shù)達到了1500多家。
這樣的技術(shù)能力，不只輸出給武漢利楚一家。早在去年4月，支付寶安全實驗室就整合了應(yīng)用圖像識別、多態(tài)融合、NLP、神經(jīng)網(wǎng)絡(luò)、知識圖譜等技術(shù)，沉淀出了eKYB產(chǎn)品——商保寶，具備對營業(yè)執(zhí)照、經(jīng)營場景照、網(wǎng)址、特殊資質(zhì)、經(jīng)營人主體的真實性核驗?zāi)芰Α?/p>
在商保寶的助力下，商戶入駐KYB時效已降至1小時（其中91%秒過），審核人力由155人下降至23人，年審核成本節(jié)約1600萬；客戶簽約通過率提升18%。
目前，商保寶也已經(jīng)進一步輸出給集團如花唄、小程序、飛豬等7大業(yè)務(wù)場景，以及通聯(lián)、錢盒等3家外部生態(tài)伙伴，為更多業(yè)務(wù)場景的客戶帶去體驗的提升。
商戶風險圖譜，是商保寶的技術(shù)內(nèi)核。
漆遠分析稱，做圖譜要先把商戶知識這種非結(jié)構(gòu)化數(shù)據(jù)，規(guī)整為形如圖表的結(jié)構(gòu)化形式；然后關(guān)聯(lián)商戶的知識，構(gòu)成圖譜，借此從不同維度來理解商戶本身所隱藏的風險與價值。
就像是把一堆亂七八糟打成死結(jié)的毛線，先梳理成團，再靠技術(shù)“毛衣針”織出細密的商戶網(wǎng)。
商保寶的另一個殺手锏，則是螞蟻集團從2016年就悄然布局的共享智能技術(shù)。
當建模有多方參與，且各方互不信任，共享智能讓多方信息可由此進入“不可見”的安全可信環(huán)境，并在此基礎(chǔ)上實現(xiàn)技術(shù)共享、模型共建、風險信息個性化識別。
共享智能應(yīng)用于商保寶時，就是商戶的隱私數(shù)據(jù)始終由各自保留，通過在每方部署的計算模塊得出有關(guān)商戶的分析結(jié)果和模型。
與此同時，支付寶安全實驗室還在B端以智能憑證項目為起點，沉淀了一系列商戶eKYB認證能力，為商戶真實性認證提供整套綜合解決方案。
例如一些服務(wù)商會對旗下優(yōu)質(zhì)商戶提供特權(quán)服務(wù)，在接入之前，都是需要一段時間的“觀察期”，根據(jù)該段時間商戶的交易狀況及金額等因素評估商戶質(zhì)量；在接入商戶健康分服務(wù)后，可以有效縮短審核周期，極大提升了用戶體驗。
這些To B服務(wù)就像是給經(jīng)營鏈條抹上一層潤滑油，多個環(huán)節(jié)的數(shù)字化、智能化升級不光提升了商戶的入駐效率和經(jīng)營水平，同時也讓廣大中小商戶盡早適應(yīng)數(shù)字化生活的新浪潮，從而促進全社會運營成本的降低。
在疫情后的今天，這樣的技術(shù)普惠思路和實踐，對中國乃至世界都意義重大。
細看支付寶打造的安全技術(shù)方案，就像是復雜機器里嚙合完美的齒輪，我們也從中逐點拼湊出一幅當代社會的理想AI圖樣：善解人意、更加主動、更明白如何與人互動……
數(shù)字新基建浪潮下的的AI，究竟應(yīng)該具備哪些特質(zhì)？漆遠判斷AI未來三個重要方向是：
第一，是數(shù)據(jù)學習與知識推理結(jié)合，共同驅(qū)動。
“AI其實像一個被高考機器慣出來的孩子。”漆遠這樣形容AI目前發(fā)展“偏科”的情況，好比一位有著特別強大的記憶體的學生，能通過題海戰(zhàn)術(shù)學習了大量知識點之后，做題效率極高，卻不懂怎么推理。
接下來需要讓AI成長得更有“常識”和“情商”，打出“見多識廣+推理能力”這套組合拳，把人類的知識經(jīng)驗形成規(guī)則，與算法在一個體系里共建，以人機結(jié)合的智能體系共同前進。
他表示，如果AI能實現(xiàn)因果分析這一最高境界，知道風險能夠產(chǎn)生的原因，也就能更有效地防范風險。
第二，提升AI系統(tǒng)的魯棒性、可靠性，重點關(guān)注對抗學習、博弈智能。
漆遠表示，AI應(yīng)該在對抗中提升魯棒性，就像人在社會里成長，必須學會經(jīng)受住更多的打擊。
智能風控和反欺詐模型之所以會仍被黑產(chǎn)不定時的繞過和突破，一大原因就是黑產(chǎn)攻擊手法變化快。
在他看來，系統(tǒng)除了要在工程上迅速靈活響應(yīng)，更要做到在算法層自動分析組合可能發(fā)生的攻擊，產(chǎn)生對抗模型，通過弱監(jiān)督算法、動態(tài)蒸餾、自動化更新等算法提升模型快速適配能力。
就像下棋一樣，黑產(chǎn)走了一步，AI要想好黑產(chǎn)接下來的三四步會怎么走。
而博弈論某種程度上作為高度凝練的“下棋指南”，本質(zhì)是策略對抗，預測行為和結(jié)果，應(yīng)用場景也十分廣泛，對抗黑產(chǎn)、處理交易糾紛、設(shè)計調(diào)解機制……這些都是對抗博弈的形式的范疇。
因此，博弈論思想和AI結(jié)合的博弈智能，以及在快速主動風控中的應(yīng)用，也是關(guān)鍵的AI未來方向之一。
AI金融評論了解到，支付寶安全實驗室已經(jīng)基于博弈智能打造了智能攻防算法，是世界上首次把深度學習引入博弈論并在德州撲克子實驗上取得世界領(lǐng)先的水平。
第三，保護數(shù)據(jù)隱私的AI技術(shù)將越來越重要。
對用戶或者客戶而言，技術(shù)要保護好用戶的隱私，但是又要提供基于數(shù)據(jù)背后價值的服務(wù)?；膺@對矛盾的技術(shù)，在保護隱私的基礎(chǔ)上打破數(shù)據(jù)孤島，產(chǎn)生數(shù)據(jù)融合價值，漆遠認為是接下來AI另一個至關(guān)緊要的進化方向。
比如各機構(gòu)之間信息脫節(jié)，讓安全水位參差不齊。某一安全事件的爆發(fā)，往往牽連多家相關(guān)企業(yè)，行業(yè)短板將引發(fā)木桶理論中全局危機的出現(xiàn)。
這正是螞蟻布局共享智能技術(shù)的重要原因之一。基于共享智能做聯(lián)合風控，在保護各自數(shù)據(jù)隱私安全的前提下，實現(xiàn)風險聯(lián)防，打破信息孤島的困局，在數(shù)字化進程持續(xù)加速的今天，意義非凡。
支付寶研發(fā)的端云霧智能風控，同樣是體現(xiàn)這一趨勢的重要底層技術(shù)之一。
漆遠向AI金融評論透露，目前這一風控方案使得99%的用戶數(shù)據(jù)及風控計算在用戶終端完成，結(jié)合隱私保護的機器學習技術(shù)，可以更有效地保障用戶數(shù)據(jù)隱私安全，也最大程度降低了云端運算負載，它已是世界上使用人群基數(shù)最大、并發(fā)數(shù)最高的終端風控。
復盤支付寶的行進軌跡，會看見一條清晰的主線：用科技實現(xiàn)普惠。
普惠金融這個詞已不新鮮，但在漆遠看來，借由技術(shù)手段有效地降低服務(wù)成本、提高服務(wù)效率，讓服務(wù)觸達到以往難以覆蓋的長尾人群，真正做到“供氧毛細血管”，從而促進社會的發(fā)展，方屬普惠的本意。
“做技術(shù)落地，某種程度上你要相信技術(shù)本身的價值，愿意為此付出努力，最后看見價值的產(chǎn)生?！彼f道。
正如同他剛加入阿里，著手研發(fā)第一代超大規(guī)模機器學習平臺的時候。當時的國內(nèi)，甚至是阿里內(nèi)部，普遍對超大規(guī)模機器學習平臺的價值是不理解的。
“一個嶄新的技術(shù)，要讓大家能夠看到它的價值。”帶著這樣的想法，漆遠和他的團隊在不理解的目光中“憋著一口氣”咬牙迎戰(zhàn)，團隊不少骨干整個春節(jié)都在加班。項目直到夏天終于實現(xiàn)大規(guī)模上線，奠定了阿里巴巴第一代機器學習平臺的基礎(chǔ)。
正是這種“因為相信所以看見”帶來的使命感，驅(qū)使著支付寶的科學家和工程師們步履不停，向技術(shù)普惠的愿景繼續(xù)前行。
封面圖片來源：電影《血戰(zhàn)鋼鋸嶺》
雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)
相關(guān)文章：
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
