网络安全检测|网络安全服务|网络安全扫描-香港墨客投资移动版

　　这也是我们在分析智能和金融科技需要真正着力的地方，不是把数据都汇总在一起，关联在一起，呈现出来就结束了。把这些信息抓取到以后，更需要去做的是如何剔除一些不重要的、没有价值的、低价值的信息；或者是针对我们风险的指向目标，把对风险区分度小的信息剔除掉，呈现给业务人员有明显指向意义的信息。在这种情况，我们的分析和产出才是有价值。

　　特别是针对反欺诈，反欺诈的特点是各种的手段层出不穷，欺诈很多时候是一个对抗赛，大家可能是相互之间在赛跑，看谁跑得慢一点，或者谁家的墙矮一点。大家都想把自己的墙比别人家高一点。这种动态竞争环境本身就说明一个问题，没有一个单一的反欺诈手段能包打天下。一个单一手段如果真的很有效，那整个生态环境就会慢慢让它失效掉。因为欺诈是一个动态的过程，黑产也好，欺诈的团伙也好，具有很强的主动性。一旦一个防控手段非常有效，一般很快会研发出有针对性的措施与手段。所以，我们的整个防控体系任务艰巨，不是单单建立一个单点防控或者是单一手段防控就能够生效的。所有风险防控的手段，包括前端的防控策略、后端的侦测规则也好，模型也好，网络关系也好，需要构建一个有机的组合，互相融合。一旦出现新的风险特征，随时都能有相匹配的手段和策略去防御。在整个防御体系之下，分析智能非常关键。只有通过分析能力，才可以及时发现一些新的风险趋势。毕竟敌暗我明，如果没有挖掘风险的新特征，我们很难及时响应。

　　在强监管之下，我们对数据的精耕细作，反而会更好地回归到风控的本原。单一的欺诈防控模式需要进行组合，这些方法背后的支撑能力就是分析智能。分析防控手段也需要通过分析能力逐渐叠加，不断循环，得到提升。

　　（邱智聪系中科聚信信息技术（北京）有限公司

　　副总裁）

　　雷涛：未来AI发展更注重规模化生产能力

　　时下，关于AI讨论的热点很多，比如人脸识别、聊天机器人、人机交互场景等。这些都是应用场景而非AI的核心。AI的核心支撑技术，是围绕机器学习构建的技术框架。在成熟的金融机构里，尤其是风控、策略等部门，一直在关注和使用AI、ML。因此，并不是随着这波AI热潮起来后，AI才进入了金融领域，它早在十几年之前就已在风险、定价方面发挥作用。

　　在数据层面，今天的机器学习相较于传统的机器学习发了很大变化，主要体现在流动性上。如何去把一个流动性数据，比如每天被标注违约的人群，进行线上化训练，给到审批端，对以前的数据挖掘模型提出很大挑战。因为以前的数据挖掘是离线的，是抽样的。从生产转到数据分析系统、数据仓库系统，再转到挖掘系统，都需要数据能够在一个在线的环境下、流动的环境下去做模型生产。这也就意味着生产和模型是耦合在一起。就像淘宝选择商品的推荐引擎一样，点击流就决定着推荐内容。所以算法开始进入到生产系统，机器学习并不是一个离线挖掘的分析型系统，而是深入生产环节、在线环节。

　　数据本身的关联也开始变得非常显著。比如，把账务系统的回单数据连接起来，会形成一个资金网络。通过量化分析企业的资金往来，不用看三张报表，就可以识别这个企业的资金流动效率和资金利用率。同样，对一些宏观风险，我们为银行制作了6500万节点的关联，将集团子母关系、控制人关系、配偶关系等等十几种关系连接起来，抽取出复杂的链、循环嵌套的闭环。由于只能看到两两关系，传统的、平面的数据结构无法厘清这些复杂的链条。所以，所谓的降维打击，就是用升维的手段去表达这些量化内容，这也对底层数据基础设施提出了新的挑战。