提到人工智能，我们会联想到机器人、无人驾驶等感官上具象的体验，近期在各地成功上线的ATM机“刷脸取款”功能，也让大家见识到了金融机构的AI能力。其实人工智能早就已经开始介入整个金融流程，从前台的客户服务、到中台的金融交易、再到后台的风险防控。不久前，人工智能技术与服务提供商第四范式发布了可实时侦测欺诈交易的反欺诈解决方案，就验证了人工智能在金融核心“风控”方面的分析和预测能力。

　　长期以来，欺诈一直是金融机构的隐痛，仅支付行业每年因欺诈造成的损失就接近千亿，银行过去如何解决这个问题呢?主要是由银行的案件中心对历史的交易欺诈案件进行分析，基于此整理出上百条强规则——例如某笔交易的金额大于某个数额，或是在短时间内该笔交易的地点与上一个交易地点之间距离过大等。凡是符合这些规则的，案件中心会暂时判断它可能是欺诈交易，由客服介入来与客户进行确认。通过专家规则防守，其有效性是毋庸置疑的，但同时也存在一定不足。

　　首先，在影响欺诈的因素中，除了专家总结出的强规则，还有很多长尾因素，例如全国每一个区域发生交易欺诈的规律都是不一样的，过去专家只能对全国的交易进行分析，而细化到省市县，这些规则其实是覆盖不了的。其次，犯罪分子会通过试探来找到规则的边界，例如规则设定为“交易1万元以上要进行审核”，犯罪分子就会盗刷9999元，因此这些规则需要持续的、及时的维护。最后，随着互联网的发展、欺诈手段日趋多元化，对人来说很难快速准确地掌握所有新型欺诈手段的特征与规则，以抵御犯罪分子的进化。

　　诸多因素导致专家规则目前在欺诈案件上有所局限，而第四范式发现，人工智能技术其实非常适合像这样有数据、(人工)服务不足，且能带来实际商业价值的场景，因为从技术本质上说，人工智能其实只在做一件事——看数据，然后写规则，从而替代原来由业务专家主导的总结规律、导出规则的过程，最终提升关键环节的生产效率。相较于数量很难超过一千条、难以覆盖长尾因素的专家规则，第四范式设计出的机器学习反欺诈模型，采用了全量数据样本进行建模，基于交易报文、用户信息、卡人卡片档等各类信息节点构建庞大网络图，机器能够发现总量超过25亿维的特征集(规则)，最终发现有效特征8000万维，高维规则可以对个体进行更加精细的分析和评估，从而提升欺诈预测的准确率。

　　此外，专家总结的强规则很难命中”非典型“的新型欺诈手段，但从数据上看，这些”非典型“实际是一些模式(pattern)的变化，机器学习对于出现概率低的异常模式(pattern)以及不断更新中的特征，有较强的捕捉、总结能力。因此，即使欺诈手段发生细微的、亦或是彻底的变化，机器学习也可以从案例中不断自主更新学习，自动适应新的欺诈手段。

　　第四范式反欺诈解决方案的核心优势之一是可实时侦测欺诈交易，据了解，该系统基于“先知”平台构建了一套面向机器学习场景的高性能、高可用架构，能够做到在交易行为发生时毫秒级响应，从而将银行现有的对可疑交易的“事后反欺诈”(主要通过电话确认)，转化为事中就给予提醒(即在交易进行过程中，直接终止交易，需要非常高的响应速度与准确率)。极大地降低了银行的损失，同时节省了银行的人力成本和运营投入。

　　过去，当银行发现客户的交易有被欺诈嫌疑的时候，在覆盖60%欺诈交易的前提下，每打1000个电话能够发现1个欺诈，难免给客户造成困扰;而基于机器学习，每打100个电话就能够发现十几笔欺诈。目前第四范式的解决方案已经服务于拥有亿级帐户体系的金融机构，大幅降低人力成本、提升金融风控及业务处理能力。