摘要：在演講中，王修坤分享了互聯(lián)網(wǎng)保險(xiǎn)產(chǎn)品場(chǎng)景化高頻化和碎片化的典型特征以及在風(fēng)險(xiǎn)控制方面所面臨的諸多挑戰(zhàn)，并為大家介紹了實(shí)時(shí)智能決策引擎在螞蟻金服風(fēng)險(xiǎn)管理中的實(shí)踐。

摘要：以“數(shù)字金融新原力(The New Force of Digital Finance)”為主題，螞蟻金服ATEC城市峰會(huì)于2019年1月4日上海如期舉辦。金融智能專場(chǎng)分論壇上，螞蟻金服數(shù)據(jù)技術(shù)專家王修坤做了主題為《實(shí)時(shí)智能決策引擎在螞蟻金服風(fēng)險(xiǎn)管理中的實(shí)踐》的精彩分享。
在演講中，王修坤分享了互聯(lián)網(wǎng)保險(xiǎn)產(chǎn)品場(chǎng)景化、高頻化和碎片化的典型特征以及在風(fēng)險(xiǎn)控制方面所面臨的諸多挑戰(zhàn)，并為大家介紹了實(shí)時(shí)智能決策引擎在螞蟻金服風(fēng)險(xiǎn)管理中的實(shí)踐。

王修坤 螞蟻金服保險(xiǎn)事業(yè)群數(shù)據(jù)技術(shù)專家

我們團(tuán)隊(duì)先后推出保障消費(fèi)者退貨權(quán)益的退貨運(yùn)費(fèi)險(xiǎn)、保障支付寶資金資金安全的賬號(hào)安全險(xiǎn)以及基于AI模型的車險(xiǎn)定損產(chǎn)品的定損寶等，這些產(chǎn)品背后都離不開數(shù)據(jù)能力支撐，本文將簡(jiǎn)單分享過去一年風(fēng)控相關(guān)工作。

分享之前，簡(jiǎn)單介紹一下互聯(lián)網(wǎng)保險(xiǎn)的三個(gè)典型特征：場(chǎng)景化、高頻化、碎片化。

場(chǎng)景化：我們的產(chǎn)品覆蓋了我們的衣食住行各方面，“衣”有保障服飾質(zhì)量的質(zhì)量保證保險(xiǎn)，“食”有保障食品安全的食品安全險(xiǎn)，“住”有提供信用住的擔(dān)保保險(xiǎn)，“行”有提供騎行意外險(xiǎn)等；

高頻化：互聯(lián)網(wǎng)的便捷可以幫助我們通過產(chǎn)品可以同我們的用戶高頻交互，提供優(yōu)質(zhì)體驗(yàn)；

碎片化：相比較傳統(tǒng)保險(xiǎn)，我們可以隨時(shí)投保、分期繳納保費(fèi)；

風(fēng)控場(chǎng)景復(fù)雜： 我們的產(chǎn)品覆蓋了衣食住行方方面面，如何再大量不同場(chǎng)景下建立合適的風(fēng)控解決方案。

風(fēng)險(xiǎn)規(guī)模聚集： 互聯(lián)網(wǎng)為用戶提供便捷的同時(shí)，也可能給不法分子提供了便捷，從而使得相比較傳統(tǒng)場(chǎng)景，風(fēng)控能力表現(xiàn)尤為重要。

風(fēng)險(xiǎn)變異高頻： 互聯(lián)網(wǎng)的試錯(cuò)成本較低，這使得對(duì)手能夠不斷地去驗(yàn)證保險(xiǎn)產(chǎn)品的風(fēng)控策略，并尋找產(chǎn)品的弱點(diǎn)和漏洞，通過高頻變異來(lái)想法設(shè)法繞開保險(xiǎn)產(chǎn)品的風(fēng)控規(guī)則。

實(shí)時(shí)風(fēng)控能力： 我們?cè)谔峁?shí)時(shí)理賠的極致服務(wù)體驗(yàn)同時(shí)，背后就需要實(shí)時(shí)風(fēng)控能力保駕護(hù)航。

那么，如何解決上述問題和挑戰(zhàn)呢？在過去的一年中，我們基于實(shí)時(shí)智能決策平臺(tái)DecisionX構(gòu)建了一站式風(fēng)控解決方案。實(shí)時(shí)智能決策平臺(tái)DecisionX不僅能夠支持整個(gè)風(fēng)控全鏈路的工作，還可以支持包括決策、開發(fā)、管理、運(yùn)維以及后端分析、監(jiān)控等在內(nèi)的所有工作。

在過去一年里，我們基于實(shí)時(shí)智能決策平臺(tái)DecisionX建設(shè)了從風(fēng)險(xiǎn)監(jiān)控、風(fēng)險(xiǎn)識(shí)別、風(fēng)險(xiǎn)分析到知識(shí)沉淀的全鏈路解決方案。風(fēng)險(xiǎn)監(jiān)控幫助我們從宏觀層面把握風(fēng)險(xiǎn)態(tài)勢(shì)；風(fēng)險(xiǎn)識(shí)別幫助我們從微觀層面感知風(fēng)險(xiǎn)；發(fā)現(xiàn)可疑風(fēng)險(xiǎn)之后，我們需要進(jìn)行對(duì)風(fēng)險(xiǎn)拆解分析，定性風(fēng)險(xiǎn)；完成案件分析后，需要挖掘特征從而優(yōu)化提升風(fēng)控能力。

除了上述全鏈路風(fēng)控解決方案能夠很好支持以外，DecisionX還在垂直深度提供優(yōu)質(zhì)的解決方案，接下來(lái)舉例說明如何提供AI算法能力支持。

基于關(guān)系的圖算法模型是保險(xiǎn)風(fēng)控反欺詐的一個(gè)比較有效的能力，如何基于圖算法進(jìn)行社群識(shí)別是我們面對(duì)的一種重要工作，下面幾種常用算法：

標(biāo)簽傳播：一種可以基于網(wǎng)絡(luò)關(guān)系，根據(jù)標(biāo)簽數(shù)據(jù)節(jié)點(diǎn)和無(wú)標(biāo)簽數(shù)據(jù)節(jié)點(diǎn)，通過傳播標(biāo)簽從而達(dá)到對(duì)社群關(guān)系的圈定和識(shí)別。

異常網(wǎng)絡(luò)結(jié)構(gòu)識(shí)別：通過提煉各種風(fēng)險(xiǎn)的網(wǎng)絡(luò)結(jié)構(gòu)特征，通過尋找類似網(wǎng)絡(luò)結(jié)構(gòu)特征，從而識(shí)別相似可疑的社群內(nèi)容。

關(guān)系表征：除了上述方法以外，通過圖關(guān)系表征相關(guān)算法，可疑將關(guān)系特征向量化，從而可以融入傳統(tǒng)機(jī)器學(xué)習(xí)進(jìn)行模型訓(xùn)練。

除了上述場(chǎng)景之外，螞蟻還做了很多關(guān)系層面的嘗試，這里不再贅述了。所以，DecisionX幫助我們連接關(guān)系算法，有效地提升風(fēng)控能力。

保險(xiǎn)理賠需要上傳材料，利用材料造假是騙保的一個(gè)重要手段，因此我們也基于圖片研究了多種風(fēng)控能力：

圖片特征相似：通過圖像識(shí)別算法識(shí)別理賠圖片中是否存在相似特征等，再結(jié)合其它特征綜合判斷材料是否虛假等。

目標(biāo)物體分類：通過圖像識(shí)別算法識(shí)別圖片目標(biāo)物體，過濾明顯不符合理賠材料需求的無(wú)效材料，減少人工審核成本等。

這里舉一個(gè)2B產(chǎn)品的例子，該產(chǎn)品可以為用戶提供履約擔(dān)保，從而幫助用戶解決繳納保證金的痛點(diǎn)，但是對(duì)于信用偏低的用戶提供了“機(jī)會(huì)”，所以產(chǎn)品上線之后，前前后后多次受到了大批量攻擊。去年，我們重新建設(shè)了這款產(chǎn)品的風(fēng)控體系，一方面基于平臺(tái)建設(shè)了風(fēng)險(xiǎn)監(jiān)控預(yù)警能力，解決風(fēng)險(xiǎn)感知薄弱滯后問題，一方面基于平臺(tái)建設(shè)基于異常識(shí)別算法、圖挖掘算法、隱案挖掘算法等建設(shè)風(fēng)險(xiǎn)識(shí)別能力，最后基于平臺(tái)提供的解決方案部署風(fēng)控能力，從而有效減少騙保風(fēng)險(xiǎn)。新風(fēng)控方案上線后兩個(gè)月，在覆蓋人群更大的情況下，使得案件量大約下降90%，從而良性發(fā)展創(chuàng)造了很多可能性。

我們還有很多保險(xiǎn)反欺詐場(chǎng)景，包括大家熟知運(yùn)費(fèi)險(xiǎn)、賬號(hào)安全險(xiǎn)等，我們開發(fā)了多種類型的風(fēng)控原子能力，在多元化場(chǎng)景上篩選組合配置，從而形成各類產(chǎn)品的風(fēng)控手段?？傊?，任何產(chǎn)品的風(fēng)控都是一個(gè)持續(xù)對(duì)抗的過程。也正是因?yàn)橛袑?duì)手的存在，所以成就了現(xiàn)在的我們。
點(diǎn)擊閱讀更多，查看更多詳情