華為例項：機器學習攻克金融欺詐難題

在最重要的時候，實時做出明智的決策。

傳統資料庫技術專注於分析歷史資料 ，以獲得對業務績效的後視理解。雖然分析業務的來源非常重要，但 為了獲得競爭優勢 並使您的應用程式與眾不同， 利用深度學習並在事件中採取行動至關重要 。

構建強大的預測分析模型只是成功的一半 。利用生產中的模型進行實時決策是機器學習的關鍵要素，然而這說起來容易做起來難。

大多陣列織都將歷史資料儲存在多個位置，例如資料倉儲，資料湖，ERP系統等。除了現有資料之外，大量資料始終以非常高的速度從多個源流入。

在生產環境中，模型需要不斷地攝取，訓練歷史資料並以非常低的延遲實時操作。

VoltDB旨在實現機器學習的實時操作。  

VoltDB可以無縫地：

• 攝取和分析快速流式大資料，同時查詢歷史資料以 不斷改進模型 。

• 透過PMML，PFA和其他標準 匯入 資料科學家構建的 複雜模型 ， 確保快速實施和一致性 。

• 基於複雜的機器學習規則 實時處理傳入事件 。

• 提供無與倫比的 高效能 和 亞毫秒的響應時間 。同時在熱路徑中 更新模型 ，同時 保持系統可用性 。

• 動態提供服務，實現 高靈活性 並 降低總成本 。

• 保證ACID合規性 ，這對於金融服務和電信中的企業應用尤其重要。

案例分享：實時機器學習

欺詐識別

透過將您的欺詐系統從 交易後 檢測系統更改為適當的 交易中 預防系統，您可以降低運營成本，減少誤報，並在發生時阻止欺詐。

超個性化

實時應用程式或服務必須以具有高度個性化的體驗預測並 積極地吸引客戶 。

使用快速資料實現這一目標需要能夠即時收集，探索，分析和處理多個資料流的工具。

這些工具允許企業使用來自快速移動資料的實時分析的洞察力來制定資料驅動的決策。

華為選擇VoltDB為其金融服務欺詐檢測解決方案FusionInsight提供支援

面臨的挑戰：

• 將欺詐檢測從 “後”交易 轉移到 線上 。

• 透過實時欺詐分析 擴充套件FusionInsight平臺 。

• 查詢 可在FusionInsight中輕鬆部署的系統 ，該系統提供：部署靈活性，可管理成本和財務級安全性。

解決方案：

• 嵌入在FusionInsights中的VoltDB可以執行：

• 每次金融交易有數千個查詢，具有 低延遲 （<50ms）和 高吞吐量 （> 10k tps） 。

• 每秒監控10,000次複雜交易， 99.99％的交易在不到50ms的時間內完成 。

• 在 幾毫秒內 對每筆交易應用數百條規則和評分， 將欺詐檢測 從數週轉移到實時 。

結果：

• 效能比傳統欺詐檢測系統高 10 倍。

• 欺詐案件減少 50％ 以上。

• 防止欺詐損失每年節省超過 1500萬 美元。

閱讀完整的 華為案例研究，請訪問官網或官微。