骗贷分子想空手套白狼？看人工智能如何抓“老赖”
2018/5/23 17:00:00 中国科普博览
本文授权转载自公众号“项目来啦”(ID：gh_4950051970c9)
作者：严偲偲
相信喜欢买买买的小伙伴们对花呗、借呗、白条都不陌生，它们不仅在双十一时成为了剁手党的坚强后盾，同时也开启了互联网普惠金融的大门，越来越多的企业推出现金贷、分期付款等普惠金融服务。
虽然大部分用户都自觉遵守着“花呗-借呗-还呗”的规矩，但也免不了一些诈骗分子“花呗-借呗-跑呗”的风骚走位，诸如中介代办、团伙作案、账户盗用、身份冒用等欺诈行为层出不穷，给借贷平台造成不小损失。
因此，控制风险、识别诈骗成为了借贷平台的重中之重。本期“项目来了”采访到了深圳先进技术研究院-招联金融智慧金融联合实验室的侯宪龙博士，他所带领的团队正在研发专抓“老赖”的人工智能。
深圳先进技术研究院-招联金融智慧金融联合实验室团队合照
大数据+机器学习，360?无死角盯“老赖”
据侯宪龙介绍，一类诈骗行为发生在贷款过程中，这部分欺诈用户已经通过了第一步的征信验证，进入到了贷款系统。
金融风险管理中的征信和诈骗识别
为预防诈骗行为的出现，侯宪龙团队研发了SDIW(Self-adaptive dynamic incremental wrapper)风控系统，搜集了包括年龄、性别、受教育程度、银行消费记录等信息数据，以及登录App、发送动态码、取现、还款等行为数据，衍生了近400个特征，最终选用40多个建模，通过数据挖掘和机器学习的方法来预判哪些用户会是“老赖”。
相较于传统的静态模型，SDIW系统的第一大优势体现在，能够捕捉到用户的动态行为。
“无论是正常用户还是欺诈用户，他们的行为都是随时间而变化的。欺诈用户会不断以新的手法实施诈骗，因此风控系统也必须采取动态的方式弥补风控漏洞。”侯宪龙说道。
贷中诈骗识别的另一大挑战在于正常用户和欺诈用户的数量比例悬殊，侯宪龙告诉记者，如果以传统模型进行分类运算的话，很可能漏掉欺诈客户，而SDIW系统通过集成学习的采样方式改善了样本的不平衡。
最后，针对客户信息匮乏的问题，团队还参考了整体市场的宏观经济，以此来精准定位欺诈用户。
据侯宪龙透露，经过招联真实数据测试，SDIW比传统模型性能提升了15%，识别贷中诈骗的AUC达到了93%-97%。
贷款前你在想什么，一举一动出卖了自己
虽然贷中诈骗识别已有较高的准确率，但仅能挽回后续诈骗行为带来的经济损失，因此，侯宪龙团队在第二阶段展开了贷前诈骗识别的研究。
“现金贷之所以风险高，其原因在于服务对象以大学生、小微企业、农民、城镇低收入人群等信用信息匮乏的用户群体为主，而现金贷又有快速放款的特点，因此，要在极短的时间内确认贷款人是否可信，成为了业界普遍的难题。”侯宪龙说。
为解决这个问题，除了用户提供的基本信息外，团队通过App埋点的方法，在有限的操作行为中，极细致地刻画用户贷前的行为特征，最大化地挖掘用户的风险画像。
“当用户在App里注册申请贷款时，点击了哪些按钮，输入或删除了几个字，在某个页面停留了几秒，包括复制粘贴等所有行为信息都会被记录下来。”侯宪龙分享道。
这些操作行为信息有什么用呢？“例如，大部分正常用户会仔细阅读还款细则，在该页面停留的时间较长，而欺诈用户很可能会快速跳过。”侯宪龙解释说，团队研发的模型细化了所有操作行为的概率值，不放过任何微小的异常操作，以此来过滤出可疑用户。
除此之外，团队还引入了人脸数据特征，用以深度刻画用户在申请贷款前的心理状态，从而从人类心理学的角度细化用户欺诈风险。当用户上传照片后，系统会对包括眼间距、鼻子、嘴巴、三角区等128个人脸特征进行细致刻画。
据侯宪龙介绍，由于贷前诈骗识别难度大，招联金融公司要求产品准确性达到10%即可上线，而团队开发的贷前反欺诈模型经过真实数据测试，其准确率已达到21%，远远超出预期效果。
反诈骗升级战：从微表情看内心
为了进一步提升贷前反欺诈系统的性能，侯宪龙团队未来还将引入迁移学习和动态微表情识别等技术手段。
所谓迁移学习，即是引入机器学习对贷中用户数据的分析结果，利用场景和用户间的相似性，将贷中诈骗的识别经验运用到贷前诈骗识别当中。
而动态微表情则相较于目前的静态人脸数据，能够更细致地体现用户贷款前的心理状态。侯宪龙告诉记者，团队将通过用户贷前的视频录像来进一步挖掘微表情，以提高授信决策的置信度。
识别二维码
关注我们
转载注明出处 未经授权不得转载
转载授权、合作、投稿事宜，联系webmaster@kepu.net.cn
http://weixin.100md.com
返回 中国科普博览 返回首页 返回百拇医药