沒有一條真理，可以解決人生所有的難題；也沒有一項技術(shù)，可以幫助一家企業(yè)所向披靡。

金融科技行業(yè)，縱使是一個簡單的項目，也需融合算法、專家經(jīng)驗、工程部署、接口打通等一系列環(huán)節(jié)，才能完成一套解決方案，遠(yuǎn)不止一項單點技術(shù)就可以“打包票”。

在這個過于信仰技術(shù)的時代，知道技術(shù)能做什么固然重要，知道它不能做什么也許更重要。

為此，雷鋒網(wǎng)《AI金融評論》策劃了「AI能否解決金融剛需問題」系列選題，借同一個話題，對不同背景的受訪者、產(chǎn)品和客群各異的企業(yè)們進(jìn)行采訪，期望在不同的商業(yè)和技術(shù)認(rèn)知下捕捉觀點碰撞的火花。

在前三篇采訪中，我們采訪了冰鑒科技CEO顧凌云、慧安金科CEO黃鈴、品鈦執(zhí)行副總裁李惠科。

本系列的第四篇文章，由邦盛科技執(zhí)行副總裁王雷講述他從事「AI金融風(fēng)控」多年旅程中經(jīng)歷的有趣故事。

以下為王雷的親身經(jīng)歷：

“頭疼”的難題

一直以來，銀行對「信用卡套現(xiàn)」的行為都十分頭疼。

信用卡，本質(zhì)上是一種貸款。銀行希望貸款用于消費，而不是炒股、炒房甚至賭博。但是，現(xiàn)實生活中，很多人并沒有合規(guī)地使用這筆錢，從而衍生出了「套現(xiàn)組織」。

對于銀行來說，信用卡里的錢如果不是用于消費，而是用于投資、賭博，一是增大了這筆錢不能返還的風(fēng)險，二是違背了國家的貸款政策。

所以銀行會通過一些技術(shù)手段，對套現(xiàn)行為進(jìn)行識別、監(jiān)測。

邦盛科技之前就接到一個大型銀行的訂單，他們本身有一個在風(fēng)控領(lǐng)域積累了很長時間和經(jīng)驗的優(yōu)秀團(tuán)隊，但是還是希望在這個基礎(chǔ)上更上一層樓，于是找到我們，希望通過金融科技公司的AI能力，引入解決問題的新思路。

當(dāng)時，這家銀行已經(jīng)能很好地識別出哪些個體的行為屬于騙貸，但是對于那些變化多端、組織嚴(yán)密的“專業(yè)”騙貸團(tuán)伙，還是有些束手無策。

在項目初始階段，客戶對我們的期望很高，認(rèn)為我們一定能通過更先進(jìn)的技術(shù)和方法，通過對個體騙貸行為的分析，找到某種聯(lián)系，識別出詐騙團(tuán)伙。

那會兒，其實許多機(jī)構(gòu)還沒能達(dá)到這樣的水準(zhǔn)，即使是行業(yè)里最好的金融機(jī)構(gòu)投入了大量精力，也沒能十分精準(zhǔn)的識別出這些詐騙組織。而我們又處于創(chuàng)業(yè)初期，經(jīng)驗匱乏，當(dāng)時并沒有信心能完成這個任務(wù)。

當(dāng)然，有沒有信心和做不做，是兩碼事。我們決定接受這個挑戰(zhàn)。

一口氣“抓”了幾千個犯罪團(tuán)伙

樣本，是智能風(fēng)控想要發(fā)揮作用的重要前提。

想要通過AI識別出詐騙團(tuán)伙，追本溯源，還是得從高質(zhì)量的樣本入手。

而樣本的質(zhì)量高低，很大程度上依賴于專家的經(jīng)驗。在風(fēng)控領(lǐng)域，專家的經(jīng)驗是比AI能力更稀缺、更重要的資源。比如薅羊毛是怎么薅的、什么樣的行為是薅羊毛，專家會通過多年積累的經(jīng)驗和規(guī)則去識別哪些行為是“薅羊毛”、哪些行為屬于盜卡、哪些是洗錢、哪些屬于申請欺詐等等。

我們團(tuán)隊中的優(yōu)秀專家對這家銀行的樣本進(jìn)行了分析，發(fā)現(xiàn)它們的樣本質(zhì)量不是非常好。

于是專家們通過在風(fēng)控領(lǐng)域多年的經(jīng)驗，對樣本進(jìn)行了加工，獲得了一些我們認(rèn)為比較好的樣本。在此基礎(chǔ)之上，我們使用了機(jī)器學(xué)習(xí)建模平臺和關(guān)聯(lián)圖譜平臺，把可疑的個人和團(tuán)伙都甄別出來。

那次，我們團(tuán)隊幾個人在兩個多月的時間里，揪出了大幾千個「信用卡套現(xiàn)團(tuán)伙」，幾千個賬戶，并查出幾十萬張有問題的信用卡。

經(jīng)過那段時間的不斷探索后，我們對整個行業(yè)的理解有一種豁然開朗的感覺。

之前，我們在沒有開始做“識別套現(xiàn)團(tuán)伙”的工作時，認(rèn)為這是一件很難的事。但下一次在做其他的事情，我覺得是可以解決的，而且思路非常清晰。

其實，那次項目因為涉及到的銀行體量非常大，我們面臨的風(fēng)險和壓力也非常大。

但是我們頂住了壓力，積累了許多欺詐團(tuán)伙的特征和畫像，并對模型進(jìn)行進(jìn)一步的優(yōu)化。

后來這家銀行通過我們提供的線索進(jìn)行了調(diào)查，確定了這些人的確屬于套現(xiàn)團(tuán)伙，并降低了他們的信用卡額度，并對部分信用卡進(jìn)行鎖卡處理，效果非常好。

也是因為這次經(jīng)歷，我對AI在「風(fēng)控領(lǐng)域」的應(yīng)用價值，有了更直觀的認(rèn)識，使得我對AI在風(fēng)控場景下的應(yīng)用，更加有信心。

如今，邦盛科技為這家國有大行做了一個更大的項目，一個包含申請反欺詐、電子渠道交易反欺詐等全方位、全行級的反欺詐系統(tǒng)。

而“識別套現(xiàn)團(tuán)伙”成為了整個大型項目中的一個組成部分，繼續(xù)為這家銀行提供服務(wù)。

抓住銀行的心

思之所想、解其所憂，才能抓住一個人的心。

同理，想要獲得銀行大單，首先要認(rèn)識它，然后解決它做夢都想解決的問題。

在和銀行客戶打交道時，不一定所有時間、所有產(chǎn)品，它都會覺得滿意。這時，我們需要對項目的效果進(jìn)行量化，沉浸到它的角度思考問題，讓它信任你。

因此，我們會時時刻刻追蹤AI產(chǎn)品的效果，并制定一系列可以看得見、摸得著的指標(biāo)，讓它對我們工作的效果有一個清晰的認(rèn)識，建立信任感。

比如攔截非法金額數(shù)目、對客戶的干擾率程度、風(fēng)險等級，我們會把這些有關(guān)風(fēng)控的數(shù)據(jù)或者結(jié)果記錄下來，作為統(tǒng)計最終模型好與壞的一個標(biāo)準(zhǔn)。

我們一般建議客戶，三個月或者是六個月調(diào)整或者優(yōu)化一次模型。頻繁的調(diào)整，不是銀行的風(fēng)格。

對于銀行等金融機(jī)構(gòu)來講，“穩(wěn)定”壓倒一切，其次才是改善。所以，他們對新技術(shù)的應(yīng)用也是比較謹(jǐn)慎的。

銀行不會輕易改變自己現(xiàn)有的風(fēng)控方法，因為改變意味著不確定的風(fēng)險。只有觀察到技術(shù)和效果真的十分穩(wěn)定，他們才會采用新的技術(shù)系統(tǒng)。

AI在信貸領(lǐng)域主要防控兩種風(fēng)險，一種是欺詐風(fēng)險，另一種是我們常見的信用風(fēng)險，比如我們年輕人十分熟悉的“芝麻信用”和“微信支付分”。

一筆貸款的發(fā)放，銀行得先判斷它是否是有欺詐的風(fēng)險，然后再判斷它信用風(fēng)險的高低。

首先，金融機(jī)構(gòu)最擔(dān)心的事兒是被騙子欺詐，把貸款放給了騙子。

當(dāng)通過反欺詐技術(shù)將騙子拒之門外后，銀行還要擔(dān)心普通人能否正常還錢。普通人也有可能因為做生意經(jīng)營不善、丟了工作或者社會環(huán)境的改變等因素，還不上錢，所以要判斷他們的信用風(fēng)險。

在評估信用風(fēng)險上，「評分卡模型」是可解釋性非常好、也很穩(wěn)定的一個模型，現(xiàn)階段也使用的非常多，各家銀行都是比較習(xí)慣使用這種傳統(tǒng)的方式。所以，我們在這一領(lǐng)域，需要我們金融科技公司技術(shù)能力的場景并不多。

而在反欺詐領(lǐng)域，越來越多的金融機(jī)構(gòu)開始接受機(jī)器學(xué)習(xí)模型。因為欺詐行為更具有隱蔽性，欺詐風(fēng)險比信用風(fēng)險更難以控制。

而且業(yè)內(nèi)一般需要六個月來訓(xùn)練控制風(fēng)險的模型，上線模型至少又得三個月，加起來就是九個月。在這段時間里，整個市場的欺詐形式是會發(fā)生很大變化的，欺詐團(tuán)伙發(fā)現(xiàn)金融機(jī)構(gòu)會欺詐行為進(jìn)行防控后，他們還會變換手法。

針對這樣的情形，邦盛科技專門在模型訓(xùn)練中設(shè)立了一個環(huán)節(jié)——特征工程。在這個環(huán)節(jié)中，我們盡量呈現(xiàn)出更多的特征，我們將幾千到上萬個特征輸入到一個模型中，使它覆蓋更多的可能性，雖然不能徹底解決問題，但通過這樣的算法調(diào)優(yōu)，欺詐行為的成本會越來越高。

此外，銀行需要考慮自己所用的技術(shù)，是否符合監(jiān)管政策的要求。

機(jī)器學(xué)習(xí)這類技術(shù)，最大的一個問題是不透明、不可解釋。它使用的是非線性的算法，當(dāng)模型說貸款可以放，但是它推理的過程是不可逆、也不可用文字解釋的，這樣在使用過程中就會受到一些限制。

模型本身是一個算法的配合，我們也在嘗試通過一些技術(shù)方式，來增強(qiáng)模型的解釋性。

AI不是萬能的

邦盛科技從創(chuàng)業(yè)初始，到如今與中國農(nóng)業(yè)銀行、中國建設(shè)銀行、招商銀行等多家大型銀行合作，對行業(yè)的理解也是經(jīng)歷了一個從無到有的過程。

但是AI也存在很多不能解決的問題。

剛剛提到AI風(fēng)控效果的好壞取決于樣本。在欺詐等場景中，樣本天然比較充足，而信用卡盜刷、賬戶盜用等場景下，因為銀行的防控力度比較強(qiáng)，發(fā)生的案件數(shù)量較少，能積累到的樣本也就較少，使得智能風(fēng)控的效果也是參差不齊。

現(xiàn)在，機(jī)器學(xué)習(xí)和AI應(yīng)用在金融的各個領(lǐng)域都在嘗試，但是每個銀行對樣本積累的重視程度也不一樣，所以有的做的比較好，有的做的一般。

目前我們對樣本的依賴程度過高，所以業(yè)內(nèi)很多公司也都在嘗試無監(jiān)督或者半監(jiān)督的技術(shù)方式。

有監(jiān)督就是有樣本，無監(jiān)督就是無樣本，半監(jiān)督就是樣本質(zhì)量不夠高。

有監(jiān)督的樣本，是團(tuán)隊從業(yè)務(wù)中一點點積累下來，通過規(guī)則體系和專家經(jīng)驗，輸入到模型，然后模型跑起來。

采用無監(jiān)督的方式，一般是因為團(tuán)隊沒有積累樣本，又沒有這個領(lǐng)域的專家，于是依靠純粹的算法，通過聚合量、聚類等數(shù)理關(guān)系，找出高風(fēng)險的金融交易，提取這些異常的樣本后讓專家判斷。無監(jiān)督的流程是先通過模型得出結(jié)果，讓人來判斷，然后模型再根據(jù)人的判斷的結(jié)果去優(yōu)化。

在實踐中，我們不管用哪種技術(shù)方法，我們都會建議客戶采用綜合的解決方案，而不是單一的AI產(chǎn)品，這套解決方案包含著專家經(jīng)驗、規(guī)則體系、模型體系、圖譜體系、大數(shù)據(jù)計算等，這些元素必須結(jié)合在一起才能形成解決問題的合力。

社會上大部分的問題本身，都是一個很復(fù)雜的東西，它需要系統(tǒng)化的思路方法和技術(shù)才能解決，我們不能單一地認(rèn)為依賴于某一個高新技術(shù)就能解決所有問題。

我們每年會招很多新人進(jìn)來，也會接觸到很多新入行的創(chuàng)業(yè)者，我整體的感覺是，大家有點過于迷信技術(shù)，迷信高端的算法。

任何一個技術(shù)的應(yīng)用，都有前提條件，比如數(shù)據(jù)環(huán)境、樣本質(zhì)量。每一次對AI模型的調(diào)整，少則三個月，多則幾年，運營的成本也非常高。

如果環(huán)境條件不允許，技術(shù)就很難達(dá)到大家期望的狀態(tài)。

所以對于很多這些新入行的優(yōu)秀人才，我建議先對這個領(lǐng)域有一個比較深刻的業(yè)務(wù)理解，看看沒有能力給技術(shù)創(chuàng)造出一個好的環(huán)境出來。

沒有對業(yè)務(wù)足夠深刻的理解，不能把沒有達(dá)到期望的數(shù)據(jù)轉(zhuǎn)化成高質(zhì)量的樣本，模型很難運轉(zhuǎn)起來。

雷鋒網(wǎng)雷鋒網(wǎng)

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。