影響力度最大、最深遠的欺詐事實往往是團伙性犯罪，即有組織的犯罪形態。而有組織的犯罪形態必然表現出有關聯的屬性。而這，正是無監督學習訓練方法與復雜網絡特征表達等的用武之地。

近年來，由于各行業業務數字化的發展，金融業務向線上轉移，網絡欺詐規模隨之攀升，欺詐方式朝愈發復雜化的方向演變，抵御欺詐的難度日漸提高。

“基于對欺詐的傳統認知所做的方法開始逐漸失效。” DataVisor 創始人兼 CEO 謝映蓮說告訴 DeepTech，“現在黑產有時還會用真實用戶的軌跡來復制多個類似的真實用戶，使得這些欺詐用戶具有真實用戶的表象。比如欺詐者使用新賬號時有時會先做一些正常的、真實的、小的交易，此時該用戶已被認為是有過歷史數據的正常用戶了，然后他會再做一筆大的欺詐交易。通過這樣的手段來規避之前的監測策略。”

（來源：DataVisor官網）

根據交付策略的不同，反欺詐公司可分為兩大賽道

為了應對變化多端的欺詐手法，從最原始的人工檢測，到黑白名單、規則引擎，到深度學習，反欺詐手法也不斷演化。

天云大數據 CEO 雷濤認為，根據交付策略的不同，反欺詐公司可分為兩大賽道，一類提供咨詢服務，一類提供動態反欺詐系統。

其中咨詢服務產品是偏靜態的，為規則策略型。這其中又可分為兩種：

一種是人類專家通過長期的業務經驗把大量犯罪現場與欺詐事實的規則提取出來形成反欺詐規則。最典型的規則是“黑名單”。還有一些清晰的、更復雜規則，其落實往往通過決策系統的策劃手段來完成，把專家的知識、策略部署到一個決策引擎里。

另一種是引入機器學習的方法，基于歷史數據進行離線分析，抽象出規則，給出策略。比如運用傳統的回歸模型、決策樹模型等方法抽象變量，判斷權重、特征的價值，形成策略后再部署生產。

而動態反欺詐系統是數據加系統的形態，把專家解放出來，由機器從連續變化的數據中學習。機器學習過程把動態的數據信息反饋到模型的自我調整和曲線上，完成數據驅動的閉環系統，具備自洽、自治的能力，而不僅是通過數據學習給出策略再靜態地部署生產。

反欺詐咨詢服務和動態反欺詐系統在應用場景上也有很大差異。

前者在流程性的業務里有非常好的效果，比如貸中反欺詐。貸中反欺詐的環境相對封閉，數據資源比較明確（流程中的數據），所以無論是通過策略型經驗，還是基于歷史數據的機器學習形成靜態策略，都可以保證一定的反欺詐效果。

而在動態開放的環境里，前者的策略往往就失效了。比如申請端和輸出端業務邊界比較開放，而數據資源又非常有限，銀行需要頻繁更新策略，但這又涉及到組織機制和流程，因此它對銀行現有模式是一個挑戰。此時，系統加數據的方法更適合這些線上及申請端數據源比較豐富、比較簡單的應用場景。

“基于咨詢服務交付的策略和基于系統加數據交付的策略有本質的差別。后者實際上是知識生產的全新路徑。”天云大數據 CEO 雷濤說。

提供系統解決方案的反欺詐公司的技術手法不盡相同

對于都處于提供動態反欺詐系統賽道的公司，它們的主要目標是應對團伙欺詐。因為團伙欺詐往往是欺詐里影響力度最大、最深遠的。同時，由于團伙欺詐內部個體的關聯性，這種性質更容易被機器識別與辨認。不過，不同公司采取的解決方案的技術手法不盡相同。

其中，不少企業逐漸開始采用無監督學習的訓練方法訓練反欺詐模型。DataVisor、黑瞳科技、猛犸反欺詐、360 金融等公司都將無監督機器學習技術視為防范黑產的重要手法。

無監督機器學習通過分析全部用戶的行為，從不同維度聚類出相似的用戶，以此檢測出可疑的用戶行為。它檢測欺詐效果好的原因在于它并不基于歷史數據，并且能自動進行數據挖掘、分析找出黑產的關聯特征。

“黑產是一個產業鏈，產業鏈總有關聯性或相似性。我們事先并不知道一次網絡攻擊多大規模，它有時很小很隱蔽，有時很大是爆發的。” DataVisor 創始人兼 CEO 謝映蓮說，“我們不是在找黑產的某種模式，因為找模式的話，欺詐者一旦改變模式，系統就無法檢測了。”

此外，無監督機器學習還可以破解人工智能初創公司數據獲取難的難題。“無監督機器學習一開始不需要標簽和數據的累加去進行訓練，模型是隨著數據的積累進行自動建模。” 謝映蓮說。

謝映蓮預計，2021 年 50% 的反欺詐企業會用到無監督機器學習。

針對團伙性犯罪里個體行為間的關聯屬性，天云大數據做出的技術突破并不是從有監督還是無監督的訓練方法上做出改變，而是采用復雜網絡加深度學習的方法在特征表達上做突破。

“我們在復雜網絡里抽象了 22 個網絡特征函數和傳統的變量去做機器學習，這種方法可以非常清晰的把團伙性犯罪識別出來。這是特征升維的有效手段。”天云大數據 CEO 雷濤說，“特征的表達有很多升維的過程。我們更遵從于業務原始的屬性，而不是用純暴力的、算力的方法做升維。”

“更重要的價值是，當網絡模型生成后，復雜網絡加深度學習可以把當下的環境變化反饋到模型里。而不是等更新、標注數據后再訓練。”雷濤說。

搭建賦能系統平臺，行業朝扁平透明化方向發展

對于天云大數據和 DataVisor 等公司，打造人工智能平臺，做出在互聯網、廣告、金融等領域通用的反欺詐產品是它們的共同目標。

“與其說它是一個機器學習的工具平臺，不如說它是知識管理平臺，我們越來越多看到這個趨勢。” 雷濤說。

不過，打磨出理想產品的過程中，公司會遇到給各方面的技術挑戰。

DataVisor創始人謝映蓮指出，目前挑戰主要來自兩個方面：

一是在算法層面，需要設計出一套高效、大規模、自動化的算法。因為：第一、客戶往往有幾億、幾十億用戶，這時數據吞吐量要大；第二、篩查不能滯后，需要實時攔截，實時響應；第三、篩查準確率要高，以減少誤傷，防止降低正常用戶的用戶體驗。

二是在系統層面，需要設計一套通用的能智能地針對各種情況進行挖掘的系統。因為不同行業（社交、電商、金融、移動應用等）甚至同一行業內部的不同公司遭受到的攻擊類型可能都不同，而為每一位客戶都建立一套系統的成本很高，所以搭建一套能自動平行地攔截不同攻擊的系統將大大降低生產的邊際成本。

“自動化機器學習已經可以完全透明化，我們不用再關注算法本身了。”雷濤說，“未來，行業會朝越來越扁平化和透明化的方向發展。”