让欺诈风险无处遁形的计算机视觉| 社区征文

社区征文

近年来,伴随着移动互联网、虚拟现实等技术的飞速发展,银行服务模式日趋多样化。在客户享受灵活便捷服务的同时,银行欺诈风险呈现出更加隐蔽、专业的特点,发展出更多的作案手法和表现形式。依赖专家规则、黑名单库等方法的传统欺诈检测方法,已经不能解决新的欺诈挑战。银行亟需研究并应用先进的机器学习算法,以数据价值为驱动建立智能化的风险预测模型,以此作为欺诈风险防范的强力手段。

一、层出不穷的欺诈手段

伴随信息技术的快速发展,黑产欺诈和电信诈骗等日益猖獗,且呈现高发、多发态势,急需提升银行对交易的风险识别和防控能力,实现跨渠道、全天候、实时的交易监控。按攻击方式不同,欺诈风险可分4类:身份冒用、团伙欺诈、资料包装、不良用途,如图1所示。

image.png

图 1 潜在风险特征

(1)身份冒用。通过撞库、黑市购买、钓鱼等不法手段获取客户的身份资料,并通过身份伪装骗过活体检测系统,实现盗刷、套现等的活动。 (2)团伙欺诈。有组织有预谋的针对银行或金融系统的漏洞做资源获取,通过大量的账号注册关联身份证信息,实现薅羊毛等欺诈目的。 (3)资料包装。获取客户的通话记录、网购信息等资料,通过不法手段做身份伪造和基本信息的设备更改,实现恶意骗贷等欺诈目的。 (4)不良用途。当客户沉迷某些博彩、赌博活动时,资金周转出现问题时,便会大量贷款弥补亏空,此时会有骗贷或恶意不还的欺诈问题。

为提升整体风险防控能力,我们在调研先进金融同业基础上,并结合自身业务特点,利用基于深度学习的计算机视觉技术在反欺诈领域做了初步探索。通过在客户贷款申请环节引入纹身、粗项链、裸露、背景相似度等视觉检测手段,根据申请贷款时客户身体和背景特征有效防范客户潜在的欺诈风险。可以在客户贷款初期对用户做一定的风险评估,根据客户身体特征和背景的图像特点判断客户可能的社会特点。  

二、反欺诈需要“有色”眼镜-视觉风控

随着当前人民生活水平的提高,博彩业也会如雨后春笋般蓬勃生长。当客户过度沉迷于某项活动或博彩事件时,可能会存在恶意贷款的风险。借助传统的征信调查可以排除一定的信贷风险,但是不能判断客户贷款当时的环境特点和客户的社会身份等。采用AI技术和深度学习网络构建反欺诈模型,能准确识别客户是否处于安全健康的场所,而不处在赌场等高风险环境,识别客户的社会身份是否有黑社会等不良性质。

通过“有色”眼镜对客户的穿戴和皮肤采集图像,如纹身、夸张项链、裸体都是可识别的潜在风险特征,经过特征提取工作建立识别模型。通过AI模型构建防范涉赌、涉诈的识别场景。如图2所示。

image.png

image.png 图 2 潜在风险特征

三、构建模型的技术关键点 

    精准识别能力是视觉反欺诈能力的核心,决定了实际应用效果。我们的识别模型主要应用了基于MKLDNN加速策略的分类网络模型,在多个任务上改善了轻量型模型的性能,整体网络使用串联结构,同时使用了深度可分离卷积作为Basic Block。Block不做short-cut连接,不会产生额外的拼接或者相加的操作,详细结构见下图3。

image.png

图 3 基于MKLDNN加速策略的分类网络模型

3.1创建更好的激活函数

    众所周知,激活函数的质量决定了网路的性能。自从激活函数从Sigmoid变换到ReLU,网络性能得到了显著提升。近些年来,越来越多的优越的激活激活函数开始超越ReLU。MobileNetV3的作者提出了H-Swish激活函数避免了指数操作(减少计算量)。因此我们尝试替换了ReLU为H-Swish,从而获得了极大的性能提升。测试性能如图4所示。

image.png

图 4 测试性能

3.2 设计SE模块的使用位置

    SE模块自提出就被许多网络模型采纳使用。这个模块能很好的为特征通道进行加权,从而获得更丰富的特征,同时SE模块的加速版本也被很多轻量化模型采纳。但是,在Intel CPU上使用SE模块会减慢推理时间。因此,不能在整个网络上使用该模块。做了许多实验发现SE模块在网络结构的末尾能取得最好的效果,并能取得更好的性能-速度平衡。

3.3 使用更大的卷积核

卷积核的尺寸会影响最终的模型性能。MixNet的作者分析了不同尺寸的卷积核对网络模型的性能的影响,最终决定在同一层中使用混合尺寸的卷积核。但是这种混合会减慢推理速度,因此依旧尝试在一层中使用单一尺寸的卷积核,并确保卷积核的尺寸稍大从而满足延时和精度需要。通过实验发现类似于SE模块的放置位置,在模型的尾部利用5x5卷积来替代原来的3x3卷积能获得几乎一致的模型性能。

 

四、视觉风控的应用成果 

视觉反欺诈模型根据检测场景不同,分多个检测算法模型,分别使用不同的训练样本做模型训练。其中纹身样本使用2万张左右,项链样本使用2558张。测试样本使用统一的测试样本库,纹身和项链模型均能实现95%以上的分类准确率。该系统模型在整个反欺诈系统中属于一个节点环节,我们主要负责视觉风控的反欺诈识别,功能位置见下图5所示。

image.png

图 5 功能位置  

五、总结与展望

视觉反欺诈模型以API方式为反欺诈系统提供服务,用于反欺诈系统对客户外貌特征做分类识别以达到判断社会身份的目的。充分运用笔者所在企业的数据智能服务体系资源,打破企业现有数据平台技术壁垒,充分融合客户画像、流计算、离线计算平台等平台优势。提升全渠道欺诈风险防控水平,依托企业级平台架构,针对异常行为客户实现跨渠道穿透风险防控。

视觉反欺诈模型未来不仅可以为反欺诈系统平台提供业务支撑,也可以为后续人脸识别、活体检测做技术支持。为金融企业提供综合、全面、立体的人工智能体验效果,让心怀侥幸的欺诈团体、不法分子无处遁形!

317
11
1
0
相关产品
评论
未登录
看完啦,登录分享一下感受吧~
暂无评论