源于账户安适，发于技术创新，看似神秘又关乎你我生活，一窥过往，是为了更好地探索前行。上周我们介绍了交易监控及反欺诈的前世篇，今天让我们一起走进这个朝阳产业的现世今生。
交易监控及反欺诈是一个复杂而棘手的问题，我国金融机构内部各条业务系统以自建风控模块为主，导致风险数据汇聚碰撞效果弱，运维成本高;反欺诈办法以重的信息安适防范手段为主，偶有数据分析类的防范手段但以事后控制为主;同时，多业务渠道汇聚成海量的历史数据池与高并发的拜候数据流，对其进行实时分析是技术难题;此外，黑产的攻击手段瞬息万变，防范规则策略需要灵活快捷。
为了打击和阻止交易欺诈，金融机构可谓绞尽脑汁。正因交易欺诈行为模式和特征多样化，同时与正常交易模式有较大的重叠区域，导致对其准确检测的复杂度极高。
而这一切加速了创新技术的研发和应用。
流式大数据技术
由于数据库技术自己的限制，上一代交易反欺诈系统无法做到实时反欺诈。在基于数据库技术做预处理的情况下，结合内存数据库，最多做到准实时风控。
流式大数据处理技术的出现，，突破性地解决了计算瓶颈的问题，使风控系统对海量数据和复杂算法下的处理效率，满足事中风控的要求，也就是风控系统的响应时间满足99.9%的交易在100ms内;
与数据库技术的根本区别在于，流式大数据技术的计算是逻辑先行，即先定义计算逻辑，当数据流过时实时计算并保存计算结果，当需要使用数据时，直接调用计算结果即可，无需再次计算。流式大数据技术可广泛应用于对数据处理时效性要求较高的场景，实时交易反欺诈是最适合的场景之一。
在流式大数据领域，主要有IBM、SAS、SAP等国外厂商为代表，但其处理性能较慢，用于准实时的数据分析处理，总体应用成本在千万美金级。但对国内金融机构来说，存在“水土不平”的可能。
国内以邦盛科技为代表，其自主研发的流式大数据实时处理技术“流立方”，具有强劲竞争力，产品性能是国外主流产品的 10 倍以上。目前集群吞吐量少量节点即可达百万笔每秒，平均延时 1 毫秒，打破了中国金融领域数据处理瓶颈，不但处理速度快，所需硬件、开发、运维成本较低。
智能决策引擎
风险决策引擎主要作用是实时对交易进行风险判断，上一代风控系统的决策引擎主要是基于专家规则实现。专家规则一般是专家通过长时间的经验积累和对黑产的深刻洞察而编写的，其优点是可解释性强，针对性强。缺点是无法对未知的风险进行识别，准确率/覆盖率在必然程度无法提升。
近年来，随着AI崛起，机器学习技术得以较快发展，使得我们可以利用海量历史数据训练模型，基于客不雅观的数据进行风险把控，来提升基于专家规则的风控系统的准确率/覆盖率。
目前主流的机器学习技术采用的是有监督学习模型。简单的机器学习模型在特征工程阶段需要必然量的业务经验参与，同时训练过程需要足量历史黑样本作为参照，模型的调优需要有专业的建模人员，因此其门槛较高。
如果将机器学习与深度学习相结合进行模型训练，可有效选择特征并划分阈值和关系，同时创造特征及样本，解决业务经验主导及数据冷启动的困难。但由于机器学习模型是一个黑盒，其对风险的可解释性不强，风险特征较难被理解。
总的来说，在金融行业，规则的适应性更强、更易用。模型更多的是辅助规则，在某些风险场景下提高规则的准确率。但基于机器学习的智能决策引擎，将越来越受到重视，并在实践中发挥更大的作用。
在AI领域，国外巨头公司谷歌、亚马逊也非常重视，国内以BAT为代表的企业也纷纷布局。而在金融风控反欺诈细分领域，专注金融实时风控技术的邦盛科技，早在三年前就已布局，并率先把机器学习技术应用到实践中。
目前，邦盛科技已为易宝支付、途牛金融等金融企业安排了机器学习系统。同时正在为多家银行安排机器学习系统。
机器学习技术的迅速发展使利用海量历史数据训练模型成为可能，行业领先的公司已经在使用专家规则/模型双引擎系统，对案件的准确率、覆盖率提升取得了很好地效果。流式大数据技术作为新一代风控系统的核心，把风控系统提升到了实时反欺诈，通过低延时、高吞吐量的数据处理能力为实时风控系统，尤其是模型的训练提供了强有力的支持。
