久久精品免费看国产成人,四虎国产精品亚洲一区久久,伊人精品久久久7777,成人欧美一区二区三区在线,99精品国产福利一区二区,亚洲精品成人毛片久久久,久久精品99精品免费观看 ,99热久久这里只有精品免费,久久精品免费一区二区三区

金融業(yè)風險防控是一個永恒的主題。隨著人工智能、大數(shù)據(jù)等技術與金融業(yè)務的深度融合，進一步增加了金融風險的復雜性、隱蔽性、突發(fā)性，此外，隨著新技術的發(fā)展和應用，利用AI技術等高科技的新型詐騙越來越多，詐騙手段不斷升級，令人防不勝防。

【資料圖】

人工智能技術就像一把達摩克利斯之劍，既能給行業(yè)、給用戶帶來技術紅利，讓金融消費者享受到更加便利、更佳體驗的金融服務，也讓金融機構和消費者面臨了新的風險。作為金融機構和金融消費者，又該如何應對科技時代的風險局面？

對于金融機構而言，一方面要加強風險防控技術水平，制定及時有效全面的應對措施，構建完善的風險防御體系，另一方面，也應加強面向用戶的防詐騙及信息保護方面的科普教育宣傳，將各類新型詐騙手段及時向消費者和用戶普及。

對于消費者而言，要提升個人隱私保護安全意識，加強防騙知識的學習，提高警惕性，保持與時俱進，提升知識儲備，多加了解AI詐騙等新型詐騙的原理和案例，在網(wǎng)絡活動中保護好自己的個人信息。

以子之矛，攻子之盾。在數(shù)字化時代下，科技手段已成為風險防控的關鍵，而這對金融科技提出了更高的要求。如今大數(shù)據(jù)技術、AI技術在金融風控中的應用已十分普遍。欺詐風險一直是金融機構面臨的最嚴重風險問題之一。Brett King在《銀行4.0》一書中提到，目前全球每年只有約3%的欺詐案例被識別。傳統(tǒng)的經(jīng)驗規(guī)則篩選無法帶來更多的提升空間，在此情境下，索信達AI創(chuàng)新中心探索利用人工智能模型來找到更多欺詐樣本，并提出新的思路來解決問題。下面就以兩個具體的案例，來看看AI技術在金融反欺詐中的應用思路。

案例一 AI在銀行內(nèi)部反欺詐場景的應用思路

本案例以某銀行理財經(jīng)理飛單欺詐案例，探索AI技術在內(nèi)部反欺詐場景的應用思路。以威脅源作為分類標準，可以將銀行欺詐問題分為內(nèi)部欺詐與外部欺詐。近年來，隨著商業(yè)銀行規(guī)模效益的快速增長，內(nèi)部欺詐問題的嚴重性呈反彈趨勢。銀行業(yè)內(nèi)部常見欺詐手段主要包括：盜取挪用銀行資金、偽造票據(jù)文件、竊取銀行公章、非法集資、飛單等等。內(nèi)部欺詐具有作案手段復雜多變、交易金額小、周期較長、欺詐技術性較低等特點。

內(nèi)部欺詐的傳統(tǒng)監(jiān)管方式上也存在諸多難點：比如基于規(guī)則的篩選方式通常造成較高的假報警率；由于正樣本量(既確定為欺詐的樣本)數(shù)量往往非常少，有監(jiān)督模型難以在這里使用；欺詐行為多樣，在數(shù)據(jù)上難以對特征進行總結(jié)，也導致很多有監(jiān)督方法難以使用；另外傳統(tǒng)的方法只關注了用戶數(shù)據(jù)之間的距離，而忽視了關系圈數(shù)據(jù)中可以發(fā)掘到的圖形拓撲關系等。

在通過AI模型解決內(nèi)部欺詐問題前，首先要基于銀行內(nèi)部關于理財經(jīng)理的諸多維度數(shù)據(jù)，通過對既往違規(guī)案例進行專題分析，發(fā)現(xiàn)該銀行過往的違規(guī)行為。在數(shù)據(jù)特征上，大致可以分為兩類，一種是交易行為維度上的體現(xiàn)，第二種是通過人際關系網(wǎng)實施的欺詐，在數(shù)據(jù)上體現(xiàn)在了數(shù)據(jù)之間的關系結(jié)構異常。結(jié)合對過往案例的分析，有兩種解決思路：第一種，用多種無監(jiān)督模型偵測異常的解決思路；第二種，構建圖結(jié)構的數(shù)據(jù)，用社團檢測和半監(jiān)督算法，如Louvain和GCN的解決思路。

總之，任何單一的方法都不能包括在數(shù)據(jù)層面上通過別的數(shù)據(jù)結(jié)構角度體現(xiàn)出的信息，這也就是在此方案中，基于交易數(shù)據(jù)和基于關系圈數(shù)據(jù)分別采用不同算法來進行檢測，從而達到雙管齊下的重要性。

案例二：利用圖卷積神經(jīng)網(wǎng)絡(GCN)算法破解團伙欺詐風險

金融風險按照參與人數(shù)可以分為來自個人的風險和來自團伙的風險，來自團伙的風險主要是團伙作案造成的風險，如團伙欺詐。為了更好控制風險，專業(yè)人員將機器學習算法引入金融行業(yè)的風控領域，極大提高了風控水平。但是金融風控領域的數(shù)據(jù)有一個很大的特點，就是正負比例通常極不均衡，因為有風險的客戶數(shù)量相對全體客戶來說占比非常小，這種極不均衡的數(shù)據(jù)并不適合用傳統(tǒng)的機器學習模型來處理，無監(jiān)督或半監(jiān)督模型會更適合。

建模的原則是根據(jù)不同的數(shù)據(jù)建立相對應的模型：對于個體風險，可以使用檢測個體異常的無監(jiān)督算法。對于團伙風險，由于這類場景中樣本之間存在關聯(lián)，且樣本間的關聯(lián)包含了重要的風險信息，但是個體的異常檢測算法難以捕捉樣本間的關聯(lián)信息，此時可以將樣本之間的關聯(lián)信息組成復雜網(wǎng)絡的形式，再使用針對復雜網(wǎng)絡算法來處理這類數(shù)據(jù)，比如圖卷積神經(jīng)網(wǎng)絡(GCN)。

GCN在金融風控領域，尤其是團伙欺詐和反洗錢等場景有著很好的應用。在金融風控領域，往往只知道少量樣本的真實標簽(如發(fā)生過違約的用戶，可以確定有風險)，目前沒有違約的用戶很難確定是否有風險。GCN這種半監(jiān)督模型只需要少量有標簽的樣本就可以訓練出精度高的模型，面對極不均衡的數(shù)據(jù)時效果會更好。相對傳統(tǒng)模型大多只能分析單個樣本的風險信息，GCN還有一個特點就是能將樣本之間的關聯(lián)信息(如社交網(wǎng)絡、共用電子設備、財務往來等)利用起來，適用于金融風控中團伙風險的場景。

比如根據(jù)企業(yè)自身的財務狀況信息和企業(yè)之間的金融交易數(shù)據(jù)構建一個復雜網(wǎng)絡，再使用GCN來處理這類數(shù)據(jù)，從而識別哪些交易具有欺詐性。例如，可以建立一個交易的超級節(jié)點圖，判斷是否有洗錢圈？從而找出洗錢團伙。

總之，金融行業(yè)是對風險管理和安全性要求非常高的行業(yè)。因此在應用人工智能等新技術時，需把安全性和可解釋性應擺在重要位置，防范模型和算法風險，需要加強模型和算法風險管理制度，規(guī)范技術應用。針對不同業(yè)務場景下的數(shù)據(jù)集特點，進行算法層面的分析，尋找模型精度與解釋性之間的平衡。