0
没有一条真理，可以解决人生所有的难题；也没有一项技术，可以帮助一家企业所向披靡。
金融科技行业，纵使是一个简单的项目，也需融合算法、专家经验、工程部署、接口打通等一系列环节，才能完成一套解决方案，远不止一项单点技术就可以“打包票”。
在这个过于信仰技术的时代，知道技术能做什么固然重要，知道它不能做什么也许更重要。
为此，雷锋网《AI金融评论》策划了「AI能否解决金融刚需问题」系列选题，借同一个话题，对不同背景的受访者、产品和客群各异的企业们进行采访，期望在不同的商业和技术认知下捕捉观点碰撞的火花。
在前三篇采访中，我们采访了冰鉴科技CEO顾凌云、慧安金科CEO黄铃、品钛执行副总裁李惠科。
本系列的第四篇文章，由邦盛科技执行副总裁王雷讲述他从事「AI金融风控」多年旅程中经历的有趣故事。
以下为王雷的亲身经历：
“头疼”的难题
一直以来，银行对「信用卡套现」的行为都十分头疼。
信用卡，本质上是一种贷款。银行希望贷款用于消费，而不是炒股、炒房甚至赌博。但是，现实生活中，很多人并没有合规地使用这笔钱，从而衍生出了「套现组织」。
对于银行来说，信用卡里的钱如果不是用于消费，而是用于投资、赌博，一是增大了这笔钱不能返还的风险，二是违背了国家的贷款政策。
所以银行会通过一些技术手段，对套现行为进行识别、监测。
邦盛科技之前就接到一个大型银行的订单，他们本身有一个在风控领域积累了很长时间和经验的优秀团队，但是还是希望在这个基础上更上一层楼，于是找到我们，希望通过金融科技公司的AI能力，引入解决问题的新思路。
当时，这家银行已经能很好地识别出哪些个体的行为属于骗贷，但是对于那些变化多端、组织严密的“专业”骗贷团伙，还是有些束手无策。
在项目初始阶段，客户对我们的期望很高，认为我们一定能通过更先进的技术和方法，通过对个体骗贷行为的分析，找到某种联系，识别出诈骗团伙。
那会儿，其实许多机构还没能达到这样的水准，即使是行业里最好的金融机构投入了大量精力，也没能十分精准的识别出这些诈骗组织。而我们又处于创业初期，经验匮乏，当时并没有信心能完成这个任务。
当然，有没有信心和做不做，是两码事。我们决定接受这个挑战。
一口气“抓”了几千个犯罪团伙
样本，是智能风控想要发挥作用的重要前提。
想要通过AI识别出诈骗团伙，追本溯源，还是得从高质量的样本入手。
而样本的质量高低，很大程度上依赖于专家的经验。在风控领域，专家的经验是比AI能力更稀缺、更重要的资源。比如薅羊毛是怎么薅的、什么样的行为是薅羊毛，专家会通过多年积累的经验和规则去识别哪些行为是“薅羊毛”、哪些行为属于盗卡、哪些是洗钱、哪些属于申请欺诈等等。
我们团队中的优秀专家对这家银行的样本进行了分析，发现它们的样本质量不是非常好。
于是专家们通过在风控领域多年的经验，对样本进行了加工，获得了一些我们认为比较好的样本。在此基础之上，我们使用了机器学习建模平台和关联图谱平台，把可疑的个人和团伙都甄别出来。
那次，我们团队几个人在两个多月的时间里，揪出了大几千个「信用卡套现团伙」，几千个账户，并查出几十万张有问题的信用卡。
经过那段时间的不断探索后，我们对整个行业的理解有一种豁然开朗的感觉。
之前，我们在没有开始做“识别套现团伙”的工作时，认为这是一件很难的事。但下一次在做其他的事情，我觉得是可以解决的，而且思路非常清晰。
其实，那次项目因为涉及到的银行体量非常大，我们面临的风险和压力也非常大。
但是我们顶住了压力，积累了许多欺诈团伙的特征和画像，并对模型进行进一步的优化。
后来这家银行通过我们提供的线索进行了调查，确定了这些人的确属于套现团伙，并降低了他们的信用卡额度，并对部分信用卡进行锁卡处理，效果非常好。
也是因为这次经历，我对AI在「风控领域」的应用价值，有了更直观的认识，使得我对AI在风控场景下的应用，更加有信心。
如今，邦盛科技为这家国有大行做了一个更大的项目，一个包含申请反欺诈、电子渠道交易反欺诈等全方位、全行级的反欺诈系统。
而“识别套现团伙”成为了整个大型项目中的一个组成部分，继续为这家银行提供服务。
抓住银行的心
思之所想、解其所忧，才能抓住一个人的心。
同理，想要获得银行大单，首先要认识它，然后解决它做梦都想解决的问题。
在和银行客户打交道时，不一定所有时间、所有产品，它都会觉得满意。这时，我们需要对项目的效果进行量化，沉浸到它的角度思考问题，让它信任你。
因此，我们会时时刻刻追踪AI产品的效果，并制定一系列可以看得见、摸得着的指标，让它对我们工作的效果有一个清晰的认识，建立信任感。
比如拦截非法金额数目、对客户的干扰率程度、风险等级，我们会把这些有关风控的数据或者结果记录下来，作为统计最终模型好与坏的一个标准。
我们一般建议客户，三个月或者是六个月调整或者优化一次模型。频繁的调整，不是银行的风格。
对于银行等金融机构来讲，“稳定”压倒一切，其次才是改善。所以，他们对新技术的应用也是比较谨慎的。
银行不会轻易改变自己现有的风控方法，因为改变意味着不确定的风险。只有观察到技术和效果真的十分稳定，他们才会采用新的技术系统。
AI在信贷领域主要防控两种风险，一种是欺诈风险，另一种是我们常见的信用风险，比如我们年轻人十分熟悉的“芝麻信用”和“微信支付分”。
一笔贷款的发放，银行得先判断它是否是有欺诈的风险，然后再判断它信用风险的高低。
首先，金融机构最担心的事儿是被骗子欺诈，把贷款放给了骗子。
当通过反欺诈技术将骗子拒之门外后，银行还要担心普通人能否正常还钱。普通人也有可能因为做生意经营不善、丢了工作或者社会环境的改变等因素，还不上钱，所以要判断他们的信用风险。
在评估信用风险上，「评分卡模型」是可解释性非常好、也很稳定的一个模型，现阶段也使用的非常多，各家银行都是比较习惯使用这种传统的方式。所以，我们在这一领域，需要我们金融科技公司技术能力的场景并不多。
而在反欺诈领域，越来越多的金融机构开始接受机器学习模型。因为欺诈行为更具有隐蔽性，欺诈风险比信用风险更难以控制。
而且业内一般需要六个月来训练控制风险的模型，上线模型至少又得三个月，加起来就是九个月。在这段时间里，整个市场的欺诈形式是会发生很大变化的，欺诈团伙发现金融机构会欺诈行为进行防控后，他们还会变换手法。
针对这样的情形，邦盛科技专门在模型训练中设立了一个环节——特征工程。在这个环节中，我们尽量呈现出更多的特征，我们将几千到上万个特征输入到一个模型中，使它覆盖更多的可能性，虽然不能彻底解决问题，但通过这样的算法调优，欺诈行为的成本会越来越高。
此外，银行需要考虑自己所用的技术，是否符合监管政策的要求。
机器学习这类技术，最大的一个问题是不透明、不可解释。它使用的是非线性的算法，当模型说贷款可以放，但是它推理的过程是不可逆、也不可用文字解释的，这样在使用过程中就会受到一些限制。
模型本身是一个算法的配合，我们也在尝试通过一些技术方式，来增强模型的解释性。
AI不是万能的
邦盛科技从创业初始，到如今与中国农业银行、中国建设银行、招商银行等多家大型银行合作，对行业的理解也是经历了一个从无到有的过程。
但是AI也存在很多不能解决的问题。
刚刚提到AI风控效果的好坏取决于样本。在欺诈等场景中，样本天然比较充足，而信用卡盗刷、账户盗用等场景下，因为银行的防控力度比较强，发生的案件数量较少，能积累到的样本也就较少，使得智能风控的效果也是参差不齐。
现在，机器学习和AI应用在金融的各个领域都在尝试，但是每个银行对样本积累的重视程度也不一样，所以有的做的比较好，有的做的一般。
目前我们对样本的依赖程度过高，所以业内很多公司也都在尝试无监督或者半监督的技术方式。
有监督就是有样本，无监督就是无样本，半监督就是样本质量不够高。
有监督的样本，是团队从业务中一点点积累下来，通过规则体系和专家经验，输入到模型，然后模型跑起来。
采用无监督的方式，一般是因为团队没有积累样本，又没有这个领域的专家，于是依靠纯粹的算法，通过聚合量、聚类等数理关系，找出高风险的金融交易，提取这些异常的样本后让专家判断。无监督的流程是先通过模型得出结果，让人来判断，然后模型再根据人的判断的结果去优化。
在实践中，我们不管用哪种技术方法，我们都会建议客户采用综合的解决方案，而不是单一的AI产品，这套解决方案包含着专家经验、规则体系、模型体系、图谱体系、大数据计算等，这些元素必须结合在一起才能形成解决问题的合力。
社会上大部分的问题本身，都是一个很复杂的东西，它需要系统化的思路方法和技术才能解决，我们不能单一地认为依赖于某一个高新技术就能解决所有问题。
我们每年会招很多新人进来，也会接触到很多新入行的创业者，我整体的感觉是，大家有点过于迷信技术，迷信高端的算法。
任何一个技术的应用，都有前提条件，比如数据环境、样本质量。每一次对AI模型的调整，少则三个月，多则几年，运营的成本也非常高。
如果环境条件不允许，技术就很难达到大家期望的状态。
所以对于很多这些新入行的优秀人才，我建议先对这个领域有一个比较深刻的业务理解，看看没有能力给技术创造出一个好的环境出来。
没有对业务足够深刻的理解，不能把没有达到期望的数据转化成高质量的样本，模型很难运转起来。
雷锋网雷锋网
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
