基於人工智慧的金融反欺詐
金融行業是人工智慧等技術落地應用的重要領域。人工智慧不僅極大地提升了金融服務的效率，降低了交易成本，更幫助金融機構在業務、風控、運營、審計、人力等前中後臺場景中進行了智慧化轉型。
11月18日，在成都召開的“第八屆中國智慧產業高峰論壇”和在北京召開的“2018人工智慧大資料精英會”上，頂象技術專家們就人工智慧技術助力金融反欺詐進行了探討和交流。
人工智慧反欺詐的核心技術：深度畫像
提起使用者畫像想必都不陌生。作為建立在一系列現實世界中真實使用者資料之上的模型，使用者畫像技術通過對年齡、性別、婚姻、教育、工作、家庭等個人特徵及消費偏好、瀏覽、社交、投資、購買等信用特徵進行採集和積累，在明確的業務應用場景下，根據提前設定好的演算法進行畫像和分析，將這些多種型別的資料抽象成一個標籤化的使用者模型，以形成能觸及到使用者的根本需求。
傳統的使用者畫像基於業務場景和需求制定，雖然能夠直接用於業務策略，但是對多使用者的採集分析，一個個單點很難定義彼此的關聯關係。因此形成的是單一維度標籤，在跨領域使用、泛化拓展和表達上比較差。而利用關聯網路技術進行分析和挖掘，則能有效彌補傳統使用者畫像的不足。
11月18日，在“第八屆中國智慧產業高峰論壇”上，頂象技術首席科學家施亮表示，利用基於關聯網路的圖演算法對特徵、資訊、標籤等進行分析，能夠直觀的體現目標網路的結果和預測。
頂象技術首席科學家施亮
他表示，基於關聯網路，不但能夠進行常規的網路分析，還可以進行圖嵌入學習、無監督和半監督學習等。
施亮著重介紹了頂象的關聯網路應用技術——深度畫像。該技術基於關聯網路構建的圖神經網路演算法，同時考慮拓撲關係和節點自有屬性的學習表徵，能夠使用多種核函式聚集鄰居節點的表徵資訊，可應用半監督學習和無監督學習表徵等。
神經網路演算法示意圖（出自：Inductive Representation Learning on Large Graphs）
施亮表示，通過深度畫像技術，再輔助端資料建模和資料採集保護技術，能夠有效識別和防控各類金融欺詐行為。
頂象端資料建模和資料採集保護技術主要通過力度、觸面、仰角、手勢、觸點間隔等裝置端的基礎資料和生物操作特徵資料，從而建立同人識別模型，幫助運營者識別操作者的個人操作習慣。
深度畫像技術在金融反欺詐中的具體應用
金融機構面臨的業務風險方方面面： 有利用虛假身份、虛假資料進行騙貸的普通人和企業；有進行洗單、合謀套現、虛假的商戶；還有對銀行卡進行克隆、變造、失竊等進行詐騙的不法分子；更有網路詐騙、洗錢交易、非法集資等各種違法犯罪行為等。
目前，主流的風控方案是端防護（風險採集）+資料服務（資訊核驗、黑白名單等）+風控策略（反洗錢、反欺詐、評分卡等策略）+機器學習（反欺詐、信用評估等模型）。這樣的方案通過單樣本風險實現縱深監測，兼具了靈活性與複雜性。但會忽視樣本之間的關係，忽略團伙風險和跨資料等風險。
頂象技術人工智慧專家黃亞軍
頂象技術人工智慧專家黃亞軍在“2018人工智慧大資料精英會”上表示，基於頂象深度畫像技術，通過對使用者交易記錄、申請記錄以及裝置訪問資料等的分析與挖掘，形成賬號、交易、手機號、裝置等關係資料的關聯網路，能夠有效彌補以上的不足。
黃亞軍通過零售銀行欺詐、銀行收單商戶欺詐等案例，詳細講述了深度畫像技術在反欺詐中的應用。
一個疑似手機欺詐的網路挖掘案例
人工智慧推動金融智慧化
人工智慧的主要技術可以在金融中找到相關的應用。以金融風控為例，人工智慧可以實現對風險及時有效的識別、預警與防範。
除利用人工智慧做金融欺詐檢測與防控外，利用人工智慧進行合同處理、資料驗證審批、資文歸檔等低創造力高重複性的工作；以智慧語音客服為方式，以資料學習為技術支撐的客服類人工智慧；依靠演算法，參與股票市場與期貨市場的人工智慧交易等。
人工智慧承載不僅是金融行業的智慧化，更推動經濟以及社會的新變革。