應(yīng)用AI技術(shù)，對當(dāng)前金融領(lǐng)域中信用評估、金融反欺詐、貸款風(fēng)控、非法集資資金檢測、金融輿情分析等核心重點業(yè)務(wù)進行全面的數(shù)字賦能，有助于重塑金融安全新生態(tài)。
文/張 楊
傳統(tǒng)金融底層存在大量的個人信息及交易數(shù)據(jù)，互聯(lián)網(wǎng)金融的誕生導(dǎo)致其數(shù)據(jù)量在傳統(tǒng)金融的基礎(chǔ)上呈指數(shù)級增加，大量的非結(jié)構(gòu)化數(shù)據(jù)難以通過人工的方式進行審核與分析。金融領(lǐng)域關(guān)鍵業(yè)務(wù)中缺乏科學(xué)、高效的數(shù)字手段，這越來越成為制約金融行業(yè)穩(wěn)健發(fā)展的短板。國家相關(guān)金融主管部門高度重視金融科技工作，自“十三五”時期起，中國人民銀行印發(fā)的《中國金融業(yè)信息技術(shù)“十三五”發(fā)展規(guī)劃》明確將金融科技作為金融發(fā)展的重要方向，把發(fā)展人工智能（AI）、大數(shù)據(jù)、區(qū)塊鏈、云計算等新一代信息技術(shù)作為未來金融發(fā)展的重點研究方向。隨著新型金融模式的開展，2020年，中國人民銀行等8家機構(gòu)發(fā)布的《關(guān)于進一步強化中小微企業(yè)金融服務(wù)的指導(dǎo)意見》進一步明確了AI技術(shù)在金融相關(guān)場景中的使用價值，也指明了AI的落地方向——鼓勵金融組織機構(gòu)運用AI、大數(shù)據(jù)等技術(shù)建立風(fēng)險定價和管控模型，改造信貸審批發(fā)放流程。深度應(yīng)用AI技術(shù)已經(jīng)成為金融行業(yè)下一階段發(fā)展的大趨勢。
博彥科技旗下博彥泓智科技(上海)有限公司（以下簡稱“博彥泓智”）作為國內(nèi)領(lǐng)先的數(shù)字科技服務(wù)企業(yè)，至今在金融行業(yè)中已為中國銀行、中國農(nóng)業(yè)銀行、中國工商銀行、中國建設(shè)銀行、交通銀行等五大銀行，以及興業(yè)銀行、上海浦東發(fā)展銀行、招商銀行、平安銀行和國家開發(fā)銀行、中國農(nóng)業(yè)發(fā)展銀行等商業(yè)銀行與政策性銀行提供了高質(zhì)量的數(shù)字技術(shù)服務(wù)。尤其在前一階段社會普遍性快速擴張、盲目加杠桿的時期，博彥泓智通過AI技術(shù)助力各銀行金融機構(gòu)有效識別以錢炒錢、違規(guī)騙貸等金融亂象，最大可能規(guī)避了服務(wù)金融機構(gòu)產(chǎn)生金融風(fēng)險的可能，有力保障了金融安全。
AI賦能金融安全技術(shù)架構(gòu)
博彥泓智的AI賦能金融安全技術(shù)架構(gòu)如圖1所示，主要分為數(shù)據(jù)層、算法層、算法成果層和應(yīng)用層等4個層次共27個技術(shù)模塊。博彥泓智主要通過以下3個步驟完成AI金融中從數(shù)據(jù)抽取到頂層應(yīng)用的全鏈路流程。首先，在最下方的數(shù)據(jù)層中，通過網(wǎng)絡(luò)爬蟲以及API獲取等方式得到金融行業(yè)結(jié)構(gòu)化文本、非結(jié)構(gòu)化文本、圖片、音頻、視頻數(shù)據(jù)，為頂層應(yīng)用提供數(shù)據(jù)支持。其次，在算法層中，先對獲取的數(shù)據(jù)進行抽取與清洗，再使用光學(xué)字符識別（OCR）、人臉識別、文本語義分析等深度學(xué)習(xí)算法對提取到的數(shù)據(jù)進行抽取、分類、識別和預(yù)測，得到個人征信圖譜、企業(yè)關(guān)系圖譜、異常行為數(shù)據(jù)庫以及金融輿情知識庫。最后，通過算法成果層中的各項圖譜與知識庫為頂層應(yīng)用進行賦能，現(xiàn)有的頂層應(yīng)用包括信用評估模塊、金融輿情分析模塊、金融反欺詐模塊、非法集資監(jiān)測模塊和貸款風(fēng)控模塊。
AI賦能金融安全應(yīng)用領(lǐng)域
●信用評估
信用是金融的根本。過往的貸款審批存在審批效率低下、不夠標(biāo)準(zhǔn)化和規(guī)范化的問題。應(yīng)用機器學(xué)習(xí)以及知識圖譜構(gòu)建等人工智能技術(shù)，能夠根據(jù)客戶的資料信息對客戶信用進行科學(xué)研判，從而對個體風(fēng)險進行量化，使整體的信貸資產(chǎn)質(zhì)量也有了量化指標(biāo)。
當(dāng)前，信用評分的建模技術(shù)已發(fā)展多年。在具體實踐中，最近的信用評估技術(shù)所使用的模型已從百種升級至具有數(shù)千種不同模型的高度復(fù)雜的綜合方法。該方法通過各種驗證框架和具有多種學(xué)習(xí)算法的集成，使信用評估獲得更高的準(zhǔn)確性。其中，信用評分卡模型（標(biāo)準(zhǔn)評分卡）是主要的一種方法，它以邏輯回歸作為基礎(chǔ)模型，并分為4種評分卡：申請評分卡、行為評分卡、催收評分卡、欺詐評分卡，再通過機器學(xué)習(xí)的回歸預(yù)測產(chǎn)生不同等級的數(shù)字信用分數(shù)?；诳蛻舻男庞梅謹?shù)，銀行可決定客戶所能持有的金額權(quán)限，從而規(guī)避金融風(fēng)險。
據(jù)統(tǒng)計，在采用數(shù)字化信用評分之前，小額消費信貸的審批平均需要12小時，在使用AI賦能的數(shù)字信用評分技術(shù)后，大部分該類貸款的審批可縮短至15分鐘以內(nèi)完成，信用卡的審批只要一兩分鐘，甚至幾秒鐘。數(shù)字信用評分加速了整個信貸決策過程，降低了小額貸款成本，為普惠金融的開展提供了可能。同時，快速的審批過程也顯著提高了客戶的滿意度。
●互聯(lián)網(wǎng)金融反欺詐
對金融機構(gòu)而言，金融反欺詐存在于多種場景中，如網(wǎng)絡(luò)支付、網(wǎng)絡(luò)借貸、消費金融、網(wǎng)絡(luò)營銷以及手機銀行欺詐等。在不同場景中，反欺詐往往面臨多種不同的問題。以信貸欺詐風(fēng)險為例，白戶風(fēng)險、黑戶風(fēng)險、惡意欺詐、身份冒用、以貸養(yǎng)貸、中介風(fēng)險、傳銷風(fēng)險等都需要金融機構(gòu)一一核實，這使得金融機構(gòu)陷入兩難境地，冒進可能會導(dǎo)致資金的風(fēng)險，不拓寬新用戶則意味著市場份額的損失。
一般而言，不管何種欺詐，歸根到底，都是通過欺詐性申請實現(xiàn)的。反欺詐策略的實質(zhì)就是探討數(shù)據(jù)挖掘等技術(shù)來預(yù)測欺詐的概率，從而為金融機構(gòu)發(fā)現(xiàn)和拒絕欺詐性交易提供依據(jù)?，F(xiàn)有的反欺詐模型通常是使用人工經(jīng)驗和設(shè)計規(guī)則對用戶申請進行過濾，該方法不僅需要較大的人力投入，而且存在局限于個體經(jīng)驗的系統(tǒng)性風(fēng)險，從而產(chǎn)生欺詐誤判的可能。AI技術(shù)的介入可以最大限度地解決此類問題：通過行為序列、生物探針、關(guān)系圖譜，可以在網(wǎng)絡(luò)支付情景中解決冒用他人信息支付的問題；通過人臉識別和文本語義分析、用戶行為分析進行精準(zhǔn)用戶畫像，可以解決網(wǎng)絡(luò)借貸中的用戶欺詐問題；通過機器學(xué)習(xí)中的監(jiān)督學(xué)習(xí)可以對海量的用戶行為特征、標(biāo)簽進行分類，預(yù)測用戶的欺詐概率；通過無監(jiān)督學(xué)習(xí)，可以對所有用戶和所有操作行為進行各緯度數(shù)據(jù)和標(biāo)簽的聚類，找出與大多數(shù)用戶和行為差異較大的用戶和操作請求，并予以果斷攔截，從而有效遏制金融欺詐行為的發(fā)生。
●貸款風(fēng)控
貸款風(fēng)控是對貸款主體進行貸前風(fēng)險評估、貸中審查和貸后管理，包括對公貸款風(fēng)控和個人信貸風(fēng)控兩大類。傳統(tǒng)的線下經(jīng)濟很難實現(xiàn)對貸款主體信用的準(zhǔn)確識別和分析，原因有三：其一，貸款提交的數(shù)據(jù)資料是靜態(tài)的，同時，由于統(tǒng)計報表的日期滯后，數(shù)據(jù)資料也是存量過時的，這便使金融機構(gòu)無法得知當(dāng)前正在發(fā)生貸款主體的數(shù)據(jù)情況；其二，數(shù)據(jù)的真實性鑒別成本較高，一些交易對手為了獲取融資提供假數(shù)據(jù)、假資料，對此進行分析鑒別需要投入極高的成本，在日常實際業(yè)務(wù)開展過程中較難實現(xiàn)；其三，傳統(tǒng)信用的獲取往往是融入資金方如借款企業(yè)提供的，即借款企業(yè)提供什么，貸款金融機構(gòu)就分析什么，融出資金的金融機構(gòu)處在被動接受地位。因此，資金融出機構(gòu)很難準(zhǔn)確獲取借款企業(yè)的信用狀況，這使金融風(fēng)險更加難以控制。
為應(yīng)對上述難點，AI技術(shù)的賦能必不可少。在對公貸款風(fēng)控領(lǐng)域，貸款金融機構(gòu)在貸前通過AI技術(shù)就能夠從企業(yè)的財務(wù)報表、近期交易票據(jù)、企業(yè)資產(chǎn)情況、現(xiàn)金流、抵押物等信息中分辨優(yōu)質(zhì)資產(chǎn)情況，確認企業(yè)主體的還款能力。同時，AI技術(shù)能夠以企業(yè)主體為維度，分析企業(yè)的行為特征、交易特征、關(guān)聯(lián)人員特征等信息，并進行信息抽取，構(gòu)建集賬戶屬性、交易特質(zhì)以及資金網(wǎng)絡(luò)于一體的知識圖譜，進而展現(xiàn)更加豐富、立體的“客戶主體畫像”。在貸中，有別于傳統(tǒng)客戶經(jīng)理對企業(yè)主體的單據(jù)、資產(chǎn)等材料進行審查的形式，AI圖像識別、音頻識別算法可以對單據(jù)、審查過程的影響和語音進行識別分類，在實現(xiàn)降本提效的同時，還能規(guī)避遺漏、錯誤的發(fā)生以及操辦人員的道德風(fēng)險等。在貸后，AI技術(shù)能夠更高效地管理實質(zhì)貸款發(fā)放后直到完全收回之間的全過程，尤其是基于知識圖譜的信息抽取技術(shù)可以對產(chǎn)業(yè)鏈中的關(guān)聯(lián)性交易進行組織和透視，防止虛假交易的存在，有力保證資金安全和資金用途。
類似地，在個人信貸風(fēng)控中，貸前AI技術(shù)能夠更高效、準(zhǔn)確地審核用戶的貸款資質(zhì)，防止欺詐發(fā)生，特別是針對那些以套現(xiàn)償債或?qū)①J款用于其他非報備目的的用戶，AI技術(shù)的介入能對其關(guān)聯(lián)交易進行信息抽取，判斷貸款人的貸款行為，防止出現(xiàn)逾期及壞賬風(fēng)險。在貸中，算法能對貸款用戶近期款項的資金流向進行有效監(jiān)測，防止出現(xiàn)貸款用途與申請用途不符的情況發(fā)生。在貸后管理中，數(shù)字技術(shù)也能幫助及時發(fā)送還貸提醒，并且對逾期的用戶進行貸款催收。由此可見，通過AI技術(shù)加強風(fēng)險評估、風(fēng)險管理的能力，能夠有效規(guī)避債務(wù)風(fēng)險，降低金融機構(gòu)的壞賬率。
●非法集資資金監(jiān)測
隨著越來越多的互聯(lián)網(wǎng)公司和金融機構(gòu)的興起，非法集資日漸成為金融領(lǐng)域的主要風(fēng)險。近年來，相關(guān)案件數(shù)量及涉案金額不斷上升，嚴重危害人民的財產(chǎn)安全，影響金融穩(wěn)定。因此，建立非法集資監(jiān)測預(yù)警模型，提高對非法集資資金交易的監(jiān)測預(yù)警能力，對有效防范金額風(fēng)險的發(fā)生具有十分重要的現(xiàn)實意義。
傳統(tǒng)的非法集資交易監(jiān)測，主要是根據(jù)客戶身份識別、企業(yè)信用信息、經(jīng)營范圍、資金來源、企業(yè)規(guī)模、營收和負債情況等信息制定相應(yīng)規(guī)則，實現(xiàn)監(jiān)測預(yù)警。重點監(jiān)測行為包括短期內(nèi)資金分散轉(zhuǎn)入、集中轉(zhuǎn)出或返還收益的賬戶，與客戶身份、財務(wù)狀況和經(jīng)營業(yè)務(wù)不相符的資金往來也會被視為可疑賬戶及非法交易等。具體監(jiān)測規(guī)則覆蓋了包括集資人開戶、非法互聯(lián)網(wǎng)金融、集資行為、非法返利行為、集中境外操作等非法集資過程中可能涉及的各個領(lǐng)域。
然而，規(guī)則預(yù)警方法也存在一定的弊端，如在有效識別非法集資的同時出現(xiàn)較多“誤殺”的情況，在通過規(guī)則遴選出的可疑賬戶的識別數(shù)據(jù)里，存在大量正常賬戶因符合可疑賬戶的部分規(guī)則而被“誤殺”的情況。這導(dǎo)致規(guī)則生成的篩查結(jié)果仍需大量的人力進行逐一鑒別。因此，需要在規(guī)則預(yù)警的基礎(chǔ)上，應(yīng)用AI技術(shù)提高監(jiān)測預(yù)警算法的精準(zhǔn)度。
通過搭建AI技術(shù)支撐的大數(shù)據(jù)算法平臺，收集符合非法集資的賬戶和交易記錄的量化特征數(shù)據(jù)，包括交易對象、交易金額、交易頻率、交易方式等，經(jīng)過數(shù)據(jù)清洗、數(shù)據(jù)集成、數(shù)據(jù)變換、數(shù)據(jù)規(guī)約等一系列預(yù)處理過程，把數(shù)據(jù)集合統(tǒng)一轉(zhuǎn)換成可供分析的結(jié)構(gòu)化數(shù)據(jù)，最后利用算法模型組合，包括RNN、邏輯回歸、SVM、隨機森林、lightGBM等方法，學(xué)習(xí)并擬合非法資金的內(nèi)在特征，從而實現(xiàn)對監(jiān)測算法精度的全面提升，降低數(shù)字化實時監(jiān)控對人力的依賴，助力銀行有效抗擊非法金融行為。
●金融輿情分析
金融輿情是由組織機構(gòu)或個人發(fā)表的以金融事件為基礎(chǔ)的邏輯推理以及個人觀點，主要包含金融行業(yè)的突發(fā)事件、行業(yè)發(fā)展趨勢，其中包含大量的虛假信息以及強烈的主觀臆斷。金融信息通過不同渠道發(fā)布、傳播，或許會影響個人或機構(gòu)的金融行為，甚至影響整個金融領(lǐng)域的發(fā)展趨勢。因此，及時準(zhǔn)確獲取突發(fā)金融事件并對特征事件進行實時跟蹤，準(zhǔn)確判斷信息的真?zhèn)我约笆欠翊嬖谥饔^臆斷，對個人以及特定組織機構(gòu)的決策行為有著十分重要的參考價值。使用AI技術(shù)對金融輿情自動進行分類、抽取以及邏輯推理，能夠?qū)崿F(xiàn)對信息的及時推送、準(zhǔn)確定位以及多角度分析和可視化展示，從而提升信息獲取速度、數(shù)據(jù)使用效率和對信息的深度挖掘，主要包括輿情識別、輿情信息結(jié)構(gòu)化、輿情信息分析等3個部分。
首先，大量的金融輿情信息充斥在互聯(lián)網(wǎng)等各種渠道中，內(nèi)容雜亂、來源不一，其結(jié)構(gòu)、內(nèi)容的多樣性給定位消息和確認消息的可信度造成了很大的困擾。傳統(tǒng)輿情信息識別需要基于歷史經(jīng)驗進行多渠道信息的對比。然而，單純的字符檢索以及人工對比判定顯然無法在海量的互聯(lián)網(wǎng)數(shù)據(jù)中達成有效的識別。AI技術(shù)則能通過訓(xùn)練文本語義和結(jié)構(gòu)化的圖譜數(shù)據(jù)，實現(xiàn)對多樣文本、語音、圖片等數(shù)據(jù)的高效分類和提取。
其次，針對信息格式、內(nèi)容、來源多樣的輿情信息，語義分析、多模態(tài)信息處理、文字識別（OCR）等AI技術(shù)能實現(xiàn)對非結(jié)構(gòu)化的多元異構(gòu)數(shù)據(jù)進行高效的抽取和對齊，以實現(xiàn)結(jié)構(gòu)化存儲。對于不同來源的金融信息，根據(jù)消息來源的可靠性，結(jié)合AI分類、抽取技術(shù)以及對多渠道信息的對比分析，還能實現(xiàn)對信息置信度的判定、熱點話題發(fā)現(xiàn)等。
最后，通過對實時信息的結(jié)構(gòu)化以及與多渠道信息的對比融合，結(jié)合歷史信息推斷，綜合分析事件的發(fā)生頻率、發(fā)展大趨勢以及歷史影響和關(guān)聯(lián)信息，能夠精準(zhǔn)判定即時輿情信息是主觀臆斷還是既定事實，抑或是行業(yè)發(fā)展趨勢等類別，及時獲取行業(yè)突發(fā)事件和熱點話題以及進行輿情告警。同時，還可以對已預(yù)先設(shè)定的焦點話題進行共現(xiàn)分析，深度挖掘話題或事件背后的隱含規(guī)律，并以圖譜和邏輯鏈路的形式快速、全面、直觀地展示突發(fā)事件的關(guān)聯(lián)信息以及發(fā)展脈絡(luò)，為金融決策提供參考。
實踐表明，機器學(xué)習(xí)、知識圖譜等技術(shù)對金融實體的工商、稅務(wù)、輿情等信息進行自主學(xué)習(xí)和智能建模，能夠有效構(gòu)建智能化的信用評估系統(tǒng)。對行業(yè)構(gòu)建系統(tǒng)全面的知識圖譜，能夠?qū)崿F(xiàn)對交易鏈進行組織和透視，精確定位虛假交易。通過計算機視覺、自然語言處理以及智能語音等技術(shù)，對各類貸款材料進行智能識別及審核，不僅能夠?qū)崿F(xiàn)降本增效，還能降低機械風(fēng)險和人員道德風(fēng)險。隨著金融創(chuàng)新業(yè)務(wù)的不斷涌現(xiàn)和AI技術(shù)自身的不斷進步，AI技術(shù)在金融領(lǐng)域的賦能空間仍在不斷擴展。
金融是國家重要的核心競爭力，金融安全是國家安全的重要組成部分，是關(guān)系我國經(jīng)濟社會發(fā)展全局的一件帶有戰(zhàn)略性、根本性的大事。在互聯(lián)網(wǎng)加持下的新興金融模式層出不窮、金融風(fēng)險防范持續(xù)警鐘長鳴的當(dāng)下，應(yīng)用以AI技術(shù)為代表的新興信息技術(shù)應(yīng)對金融業(yè)務(wù)領(lǐng)域風(fēng)險和挑戰(zhàn)，值得廣大金融機構(gòu)積極關(guān)注和果斷投入。同時，金融領(lǐng)域的廣闊空間也值得AI技術(shù)企業(yè)和從業(yè)者共同關(guān)注、共同參與。
end
聯(lián)系客服
