邦盛科技王雷：AI風控的「能力邊界」

沒有一條真理，可以解決人生所有的難題；也沒有一項技術，可以幫助一家企業所向披靡。

金融科技行業，縱使是一個簡單的專案，也需融合演算法、專家經驗、工程部署、介面打通等一系列環節，才能完成一套解決方案，遠不止一項單點技術就可以“打包票”。

在這個過於信仰技術的時代，知道技術能做什麼固然重要，知道它不能做什麼也許更重要。

為此，雷鋒網《AI金融評論》策劃了「AI能否解決金融剛需問題」系列選題，借同一個話題，對不同背景的受訪者、產品和客群各異的企業們進行採訪，期望在不同的商業和技術認知下捕捉觀點碰撞的火花。

在前三篇採訪中，我們採訪了冰鑑科技CEO顧凌雲、慧安金科CEO黃鈴、品鈦執行副總裁李惠科。

本系列的第四篇文章，由邦盛科技執行副總裁王雷講述他從事「AI金融風控」多年旅程中經歷的有趣故事。

以下為王雷的親身經歷：

“頭疼”的難題

一直以來，銀行對「信用卡套現」的行為都十分頭疼。

信用卡，本質上是一種貸款。銀行希望貸款用於消費，而不是炒股、炒房甚至賭#博。但是，現實生活中，很多人並沒有合規地使用這筆錢，從而衍生出了「套現組織」。

對於銀行來說，信用卡里的錢如果不是用於消費，而是用於投資、賭#博，一是增大了這筆錢不能返還的風險，二是違背了國家的貸款政策。

所以銀行會透過一些技術手段，對套現行為進行識別、監測。

邦盛科技之前就接到一個大型銀行的訂單，他們本身有一個在風控領域積累了很長時間和經驗的優秀團隊，但是還是希望在這個基礎上更上一層樓，於是找到我們，希望透過金融科技公司的AI能力，引入解決問題的新思路。

當時，這家銀行已經能很好地識別出哪些個體的行為屬於騙貸，但是對於那些變化多端、組織嚴密的“專業”騙貸團伙，還是有些束手無策。

在專案初始階段，客戶對我們的期望很高，認為我們一定能 透過更先進的技術和方法，透過對個體騙貸行為的分析，找到某種聯絡，識別出詐騙團伙。

那會兒，其實許多機構還沒能達到這樣的水準，即使是行業裡最好的金融機構投入了大量精力，也沒能十分精準的識別出這些詐騙組織。而我們又處於創業初期，經驗匱乏，當時並沒有信心能完成這個任務。

當然，有沒有信心和做不做，是兩碼事。我們決定接受這個挑戰。

一口氣“抓”了幾千個犯罪團伙

樣本，是智慧風控想要發揮作用的重要前提。

想要透過AI識別出詐騙團伙，追本溯源，還是得從高質量的樣本入手。

而樣本的質量高低，很大程度上依賴於專家的經驗。在風控領域，專家的經驗是比AI能力更稀缺、更重要的資源。比如薅羊毛是怎麼薅的、什麼樣的行為是薅羊毛，專家會透過多年積累的經驗和規則去識別哪些行為是“薅羊毛”、哪些行為屬於盜卡、哪些是洗錢、哪些屬於申請欺詐等等。

我們團隊中的優秀專家對這家銀行的樣本進行了分析，發現它們的樣本質量不是非常好。

於是專家們透過在風控領域多年的經驗，對樣本進行了加工，獲得了一些我們認為比較好的樣本。在此基礎之上，我們使用了機器學習建模平臺和關聯圖譜平臺，把可疑的個人和團伙都甄別出來。

那次，我們團隊幾個人在兩個多月的時間裡，揪出了大幾千個「信用卡套現團伙」，幾千個賬戶，並查出幾十萬張有問題的信用卡。

經過那段時間的不斷探索後，我們對整個行業的理解有一種豁然開朗的感覺。

之前，我們在沒有開始做“識別套現團伙”的工作時，認為這是一件很難的事。但下一次在做其他的事情，我覺得是可以解決的，而且思路非常清晰。

其實，那次專案因為涉及到的銀行體量非常大，我們面臨的風險和壓力也非常大。

但是我們頂住了壓力，積累了許多欺詐團伙的特徵和畫像，並對模型進行進一步的最佳化。

後來這家銀行透過我們提供的線索進行了調查，確定了這些人的確屬於套現團伙，並降低了他們的信用卡額度，並對部分信用卡進行鎖卡處理，效果非常好。

也是因為這次經歷，我對AI在「風控領域」的應用價值，有了更直觀的認識，使得我對AI在風控場景下的應用，更加有信心。

如今，邦盛科技為這家國有大行做了一個更大的專案，一個包含申請反欺詐、電子渠道交易反欺詐等全方位、全行級的反欺詐系統。

而“識別套現團伙”成為了整個大型專案中的一個組成部分，繼續為這家銀行提供服務。

抓住銀行的心

思之所想、解其所憂，才能抓住一個人的心。

同理，想要獲得銀行大單，首先要認識它，然後解決它做夢都想解決的問題。

在和銀行客戶打交道時，不一定所有時間、所有產品，它都會覺得滿意。這時，我們需要對專案的效果進行量化，沉浸到它的角度思考問題，讓它信任你。

因此，我們會時時刻刻追蹤AI產品的效果，並制定一系列可以看得見、摸得著的指標，讓它對我們工作的效果有一個清晰的認識，建立信任感。

比如攔截非法金額數目、對客戶的干擾率程度、風險等級，我們會把這些有關風控的資料或者結果記錄下來，作為統計最終模型好與壞的一個標準。

我們一般建議客戶，三個月或者是六個月調整或者最佳化一次模型。頻繁的調整，不是銀行的風格。

對於銀行等金融機構來講，“穩定”壓倒一切，其次才是改善。所以，他們對新技術的應用也是比較謹慎的。

銀行不會輕易改變自己現有的風控方法，因為改變意味著不確定的風險。只有觀察到技術和效果真的十分穩定，他們才會採用新的技術系統。

AI在信貸領域主要防控兩種風險，一種是欺詐風險，另一種是我們常見的信用風險，比如我們年輕人十分熟悉的“芝麻信用”和“微信支付分”。

一筆貸款的發放，銀行得先判斷它是否是有欺詐的風險，然後再判斷它信用風險的高低。

首先，金融機構最擔心的事兒是被騙子欺詐，把貸款放給了騙子。

當透過反欺詐技術將騙子拒之門外後，銀行還要擔心普通人能否正常還錢。普通人也有可能因為做生意經營不善、丟了工作或者社會環境的改變等因素，還不上錢，所以要判斷他們的信用風險。

在評估信用風險上，「評分卡模型」是可解釋性非常好、也很穩定的一個模型，現階段也使用的非常多，各家銀行都是比較習慣使用這種傳統的方式。所以，我們在這一領域，需要我們金融科技公司技術能力的場景並不多。

而在反欺詐領域，越來越多的金融機構開始接受機器學習模型。因為欺詐行為更具有隱蔽性，欺詐風險比信用風險更難以控制。

而且業內一般需要六個月來訓練控制風險的模型，上線模型至少又得三個月，加起來就是九個月。在這段時間裡，整個市場的欺詐形式是會發生很大變化的，欺詐團伙發現金融機構會欺詐行為進行防控後，他們還會變換手法。

針對這樣的情形，邦盛科技專門在模型訓練中設立了一個環節——特徵工程。在這個環節中，我們儘量呈現出更多的特徵，我們將幾千到上萬個特徵輸入到一個模型中，使它覆蓋更多的可能性，雖然不能徹底解決問題，但透過這樣的演算法調優，欺詐行為的成本會越來越高。

此外，銀行需要考慮自己所用的技術，是否符合監管政策的要求。

機器學習這類技術，最大的一個問題是不透明、不可解釋。它使用的是非線性的演算法，當模型說貸款可以放，但是它推理的過程是不可逆、也不可用文字解釋的，這樣在使用過程中就會受到一些限制。

模型本身是一個演算法的配合，我們也在嘗試透過一些技術方式，來增強模型的解釋性。

AI不是萬能的

邦盛科技從創業初始，到如今與中國農業銀行、中國建設銀行、招商銀行等多家大型銀行合作，對行業的理解也是經歷了一個從無到有的過程。

但是AI也存在很多不能解決的問題。

剛剛提到AI風控效果的好壞取決於樣本。在欺詐等場景中，樣本天然比較充足，而信用卡盜刷、賬戶盜用等場景下，因為銀行的防控力度比較強，發生的案件數量較少，能積累到的樣本也就較少，使得智慧風控的效果也是參差不齊。

現在，機器學習和AI應用在金融的各個領域都在嘗試，但是每個銀行對樣本積累的重視程度也不一樣，所以有的做的比較好，有的做的一般。

目前我們對樣本的依賴程度過高，所以業內很多公司也都在嘗試無監督或者半監督的技術方式。

有監督就是有樣本，無監督就是無樣本，半監督就是樣本質量不夠高。

有監督的樣本，是團隊從業務中一點點積累下來，透過規則體系和專家經驗，輸入到模型，然後模型跑起來。

採用無監督的方式，一般是因為團隊沒有積累樣本，又沒有這個領域的專家，於是依靠純粹的演算法，透過聚合量、聚類等數理關係，找出高風險的金融交易，提取這些異常的樣本後讓專家判斷。無監督的流程是先透過模型得出結果，讓人來判斷，然後模型再根據人的判斷的結果去最佳化。

在實踐中， 我們不管用哪種技術方法，我們都會建議客戶採用綜合的解決方案，而不是單一的AI產品，這套解決方案包含著專家經驗、規則體系、模型體系、圖譜體系、大資料計算等，這些元素必須結合在一起才能形成解決問題的合力。

社會上大部分的問題本身，都是一個很複雜的東西，它需要系統化的思路方法和技術才能解決，我們不能單一地認為依賴於某一個高新技術就能解決所有問題。

我們每年會招很多新人進來，也會接觸到很多新入行的創業者，我整體的感覺是，大家有點過於迷信技術，迷信高階的演算法。

任何一個技術的應用，都有前提條件，比如資料環境、樣本質量。每一次對AI模型的調整，少則三個月，多則幾年，運營的成本也非常高。

如果環境條件不允許，技術就很難達到大家期望的狀態。

所以對於很多這些新入行的優秀人才，我建議先對這個領域有一個比較深刻的業務理解，看看沒有能力給技術創造出一個好的環境出來。

沒有對業務足夠深刻的理解，不能把沒有達到期望的資料轉化成高質量的樣本，模型很難運轉起來。