İnternet sahtekarlığı hilelerle doludur, yapay zeka finansal risk kontrol sistemini nasıl güçlendirebilir?
Editörün notu: Geçen yılki soğuk havanın ardından P2P şirketleri kendilerini dönüştürdüler ve finansa hizmet etmek için büyük veri, makine öğrenimi ve diğer teknolojik araçları kullanacaklarını söylediler ve modaya uygun Fintech finans teknolojisi şirketleri haline geldiler. Ancak uygulama süreci basit değil, yerli finans sektöründe makinelerin verileri işlemesine ve insan yerine karar vermesine izin vermek yeni başladı.
CreditX Krypton, makine öğrenimini kullanan ve finans alanında çok fazla deneysel deneyime ve düşünceye sahip olan, Leifeng.com'un iletişim kurduğu bir risk sermayesi şirketidir. Bu makale, yapay zeka ve makine öğreniminin finansal risk kontrolünün ana aşamasında nasıl olacağını analiz etmek için bir örnek olarak, China Merchants Bank Kredi Kartı Merkezi'nin yıllık geri çekilişinde CreditX Krypton'un kuru mal içeriğinden alıntı yapıyor.
Dokunmatik ekranlı telefonların arkasına saklanan müşteriler ve daha geniş bir yelpazede kredi verisi olmayan müşteriler için, finansal risk kontrol sistemi, kullanıcının mütevazı bir beyefendi mi yoksa bir yalancı mı olduğunu belirlemek için geleneksel risk kontrol yöntemlerini kullanmak giderek daha zor hale geldi. Milyonlarca boyutsal veriyi işlemenin en önemli yollarını önerin ve yeni finansal işletme 10.000 boyutlu verilerin işlenmesinde etkili bir boyut indirgeme ve yıkım oluşturuyor.
Yeni finansal risk kontrol alanının karşı karşıya olduğu veri sorunları
Finansal senaryolarda makine öğreniminin pratik uygulamasından bahsetmeden önce, öncelikle finansal risk kontrolü kredi kredisi iş süreçlerini kullanırız.Genellikle bir risk kontrol işi, ön sayfa kullanıcı verileri başvurusu gönderme ve toplama, dolandırıcılık önleme, uyumluluk ve mantığı içerir. Doğrulama, temel karar verme kredisi, başvuru puanlamasını ve ESC'yi ve nihai toplamayı içerir.
Bu iş süreçleri kümesiyle karşı karşıya kalan yeni finansal risk kontrol alanının karşılaştığı veri sorunları genellikle birkaç kategoriye ayrılır:
Anti-dolandırıcılık
İş süreçleri açısından, makine öğrenimi her risk kontrol düğümünde rol oynadı. Örneğin, dolandırıcılıkla mücadele bağlantısında, pan-Internet ortamında, finansal risk kontrolünün karşılaştığı geleneksel bireysel dolandırıcılık, hızla organize ve büyük ölçekli grup dolandırıcılığına ve ilişkili risklere dönüşmüştür. Geleneksel dolandırıcılıkla mücadele yöntemleri, bir temastaki borç alanların sayısı gibi birinci derece risklerin belirlenmesi gibi basit kurallara odaklanmaya devam ediyor ve ikinci derece, üçüncü derece ve hatta daha geniş küresel ağ riskleri için hiçbir iyi çözümü yok. Makine öğrenimindeki grafik tabanlı yarı denetimli algoritma bu talebi iyi çözer.Başvuranlar, cep telefonu numaraları, cihazlar ve IP adresleri gibi çeşitli bilgilere dayalı düğümler kurar ve ardından uygulama ilişkileri, telefon ilişkileri ve sahiplik ilişkilerine göre kenarlar oluşturur. , Büyük bir ağ grafiği oluşturabilir ve kurallara ve makine öğrenimine dayalı dolandırıcılık önleme modellerinin gerçek zamanlı olarak tanınmasını sağlayabiliriz.
Çekirdek kredi kararı
Uygulama puanlama sürecinde, geleneksel finansal risk kontrolü, banka kredisi kayıtları gibi güçlü kredi verilerini modellemek için genellikle puanlama kartı sistemine dayanır. Yeni finansal işle birlikte, müşteri tabanı daha fazla "batacak" ve daha fazla gelir grubunu kapsayacaktır. , Yeni grupların güçlü kredi bilgileri verileri genellikle büyük miktarlarda eksiktir ve finans kurumları, tüketim verileri, operatör verileri ve İnternet davranış verileri gibi daha zayıf mali verileri kullanmak zorundadır. Temel verilerdeki bu tür değişiklikler, aşağıda belirtilen geleneksel kredi puan kartları için büyük zorluklara neden olmuştur:
1. İnternet davranışı ve operatör verileri gibi birçok veri yapılandırılmamış verilerdir ve veriler karmaşıktır ve geleneksel manuel yöntemlerle modellemeden önce özellik mühendisliğinin işlenmesini tamamlamak zordur.
2. Veri türlerinin ve kapsamının önemli ölçüde genişlemesi nedeniyle, yeni modeller genellikle binlerce zayıf değişkenin işlenmiş özellikleriyle karşı karşıya kalır ve puan kartı sistemi bu özellikleri hiçbir şekilde entegre edemez ve soğuramaz.
3. Makine öğrenimi gelişmiş risk kontrol teknolojisi, "kara kutu" modeli sorununu da beraberinde getirmiştir.Kara kutu sonuçları ile risk arasındaki ilişkinin nasıl anlaşılacağı ve kontrol edileceği, mali alanda AI teknolojisinin uygulanması için bir eşik haline gelmiştir.
Makine öğrenimi nasıl ele alınacak?
Yapay zeka ve makine öğreniminin yukarıdaki sorunlara benzersiz çözümleri vardır:
Karmaşık veri sorunu ile karşı karşıya kalan derin öğrenmeye dayalı özellik oluşturma çerçevesi, büyük ölçekli risk kontrol senaryolarında olgun bir şekilde kullanılmıştır.RNN, kelime gömme, LSTM, CNN vb. Gibi derin öğrenme sinir ağları aracılığıyla, zamanlamayı, metni, resmi vb. Seyrek öznitelik verilerinin özellikleri katman katman çıkarılır. Örnek olarak SMS'in metin özelliklerini çıkarmak için CNN veya LSTM'yi alın.Metin, eğitilmiş kelime vektör modeli aracılığıyla gömme vektörüne eşlenir, özellik çıkarma işlemi CNN aracılığıyla tamamlanır ve son olarak sınıflandırıcı ağına, metin verileri varsayılan riskle derinlemesine ilişkilendirilebilir.
Olgun senaryolardaki uygulamalar, makine tarafından üretilen özelliklerin efektleri modellemek için hayal gücünün ötesinde bir gelişme gösterdiğini de kanıtlamıştır.Derin öğrenme, derin zamanlama ilişkilerini ve metin içeriğinin derin anlamını araştırmak için manuel tanımın derinliğini aşmıştır.
[Açıklama] Yukarıdaki resim, büyük ölçekli bir kredi kredisi senaryosundaki model önemi özelliklerinin bir listesidir.Makine öğrenimi özelliklerinin oranı, uzmanların yapay özelliklerini aşmıştır.
Geleneksel puan kartı modeli, binlerce zayıf değişken boyutu ve çok sayıda eksik değer ile baş edemediği için, zorlu veri kontrolünün zorluğuna yanıt olarak, Krypton'un büyük finansal senaryoların temel risk kontrol sistemindeki mevcut olgun pratik deneyimi karmaşık entegrasyondur. model. Kural modelleri, makine öğrenimi modelleri, derin öğrenme modelleri vb. Oluşturarak ve makine öğrenimi özelliklerinin ve uzman manuel özelliklerin karmaşık entegrasyonunu gerçekleştirerek, müşterilerin çok yönlü ihtiyaçlarına esnek bir şekilde yanıt verebilir, farklı kullanıcılar için son derece farklılaştırılmış fiyatlandırma elde edebilir ve sürekli üretimden tam olarak yararlanabilirsiniz. Veriler ve izleme modeli performansı, müşteriler için uyarlanabilir harici risk değişiklikleri elde etmek için modellerin çevrimiçi hızlı kendi kendini yinelemesini gerçekleştirmeye devam ediyor.
Buna ek olarak, finansal risk kontrol uzmanlarının modelin yorumlanabilirliği konusunda çok endişe duyduklarını ve makine öğreniminin, finansal senaryoların talepleriyle çelişen risklerin kontrol edilmesinin ve tahmin edilmesinin zor olduğu bir "kara kutu" olduğunu biliyoruz. Şu anda, Krypton sürekli doğrulamadan geçti ve risk kontrol senaryolarında LIME modeli yorumlayıcısının uygulamasını gerçekleştirmek için olgunlaştı. İlke, oyun arayüzünün bir kısmının, sonucu etkileyen anahtar değişkenleri yakalayabilen ve sonuç ile özellik arasındaki dahili bağlantıyı hızlı bir şekilde anlamak için risk kontrol uzmanlarımıza gösterebilen, eğrinin bir kısmına doğrusal bir işlevle donatılmasıdır.
Aslında makine öğrenimi ile çözülecek sorun çok açıktır.Tüm bu veri uyarlama ve füzyon seti, grup dolandırıcılığı önleme, özellik mühendisliği, model oluşturma ve eğitim, derin öğrenme, yarı denetimli öğrenme dahil olmak üzere performans izleme ve kendi kendini yineleme mekanizmaları, Çevrimiçi öğrenmenin ve diğer teknolojilerin özü, yeni finansal senaryolarda verilerin benzersizliğini çözmek için finansal alana İnternet düzeyinde makine öğrenimi teknolojisini uygulamaktır. Bir yandan, İnternet'ten daha az kullanılabilir veri vardır ve diğer yandan, gelenekselden daha fazlasıdır. Puan kartı sistemi çok sayıda açıklanamayan, yüksek boyutlu ve seyrek büyük veriye sahiptir.
