7月6日下午，由清华大学金融科技研究院互联网金融实验室-证券科技研究中心主办、DataVisor维择科技协办的证券科技主题沙龙暨维择下午茶第4期在北京双清大厦圆满举办。DataVisor维择科技金融风控咨询专家杨泽毓及德勤风控咨询总监柴涛作为分享嘉宾出席本次活动。
杨泽毓做《无监督技术在现代金融反欺诈的应用》主题演讲。他谈到，移动互联网的全面普及带来了新的风控挑战，比如恶意骗贷、套现、非法集资、电信诈骗、营销套利、洗钱等非法活动藏匿于互联网金融场景中。但是，现有的风控规则却只能覆盖到20%左右的欺诈手段。主要原因是，攻击方的攻击手段往往变化很快，而防守方一般的应对措施则是相对滞后的，传统的风控手段，比如黑白名单、规则引擎、有监督机器学习，都是强依赖于历史数据和经验，且需要大量人力和时间去维护这些名单、规则或模型。“规则模型是越积越多的，新的攻击手段出现，就需要在模型中增加新的规则，这就造成很大一部分规则都已经过于老旧，对于检测效率和对新型攻击的识别力都不够优秀。”杨泽毓谈到。
无监督机器学习的一大特色就是不依赖于标签，从全局出发，发现可疑账号、可疑活动之间的关联性，捕捉欺诈攻击。因为现代欺诈趋向团伙型、专业化的欺诈，此类欺诈具有“坏用户紧密联系，好用户行为离散”的特征。无监督机器学习正是利用这一特征，通过聚类和图分析识别欺诈群组。
无监督机器学习的处理流程是：先动态特征提取，再进行无监督攻击群检测，最后输出结果分类和排序。DataVisor维择科技的无监督机器学习引擎会根据不同场景下各用户的数据信息，比如身份信息、设备ID、IP地址、关系信息等等来提取特征。特征提取后，运用无监督的算法对这些数据信息进行聚类，最后将聚类出的群组或账号进行好坏用户分类及评分等。杨泽毓谈到，无监督机器学习目前的应用场景很广，比如社交领域反批量注册、电商领域反薅羊毛、游戏出海反流量造假、金融反欺诈等。
到场来宾对维择科技如何区分聚类出的群组属性表示出浓厚兴趣，我们是如何区分好坏集群呢?杨泽毓举例说：一群人在机场连了同一个Wi-Fi这不可疑，一群人在中国用华为手机下载了一个游戏也不算可疑，但是一群人用同一种冷门的手机型号、一个老旧的系统版本在类似的时间点进行注册操作，这就比前两种更可疑，我们基于丰富的提取特征、大量的研究和实践来解释用户可疑性并给出评分。给不同场景的业务人员提供一个更具可解释性的产品，是DataVisor维择科技最新一代全面的反欺诈管理解决方案dCube的一大优势。
本次活动吸引到超过30位行业专家、企业代表、清华大学学生等，现场反响热烈。
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。
