DataVisor創(chuàng)始人謝映蓮：無監(jiān)督機器學習使企業(yè)反欺詐化被動為主動

2013年感恩節(jié)前夕，謝映蓮和俞舫離開工作多年的微軟研究院，二人從同事關系轉變?yōu)閯?chuàng)業(yè)伙伴，在美國硅谷成立了人工智能公司DataVisor。當時，深耕于網絡安全領域的她們已經擁有超過24項專利，并在頂尖學術會議上發(fā)表了50多篇研究論文。

盛名之下，許多公司聽聞DataVisor的成立，紛紛拋出橄欖枝，其中更有一家中國公司，遠渡重洋來到美國，向其尋求反欺詐方案——這家公司就是陌陌。

作為擁有上億用戶的社交網絡產品，如何識別和防止用戶賬號盜用曾是陌陌所面臨最嚴峻的挑戰(zhàn)。DataVisor官網所提供的企業(yè)應用案例中，引用了陌陌的首席執(zhí)行官唐巖的話：

“DataVisor幫助我們提前、高效的檢測出了大量的惡意spam（垃圾郵件）群組，使我們能夠在這些spam影響正常用戶之前有效封禁其賬號。這對于我們平臺保護用戶體驗，保證用戶數量的持續(xù)快速增長至關重要?！?/p>

2021年，50%的企業(yè)會在反欺詐中運用無監(jiān)督機器學習

“無監(jiān)督機器學習”這一技術亮點，無疑是吸引企業(yè)主動找上門的關鍵。

“目前可以說，DataVisor在將無監(jiān)督機器學習落實到產業(yè)服務的創(chuàng)新應用上是做得最好的。”在接受億歐金融專訪的過程中，謝映蓮向我們充分地展示了這種自信。

傳統(tǒng)的反欺詐方法包括：黑白名單、規(guī)則引擎和有監(jiān)督機器學習。

四種反欺詐方法比對；圖片來源：DataVisor提供

其中，黑白名單因為操作簡單方便而被廣泛采用，但其缺點與優(yōu)勢同樣顯著，黑白名單受限于時效性，“假設一個電話號碼進了黑名單，在6個月后這個號碼自動銷號，這個黑名單就失效了。”謝映蓮舉例道，并且這種方式只能用于識別已知的欺詐分子，“黑白名單可以作為一種信號參考，但是企業(yè)很難憑此決定是否封禁一個用戶?！?/p>

時至今日，對企業(yè)而言危害性最大的欺詐行為，早已不是來自個人，而是來自規(guī)模性欺詐行為，其背后往往是一個有組織、有計劃、甚至有技術的黑產生態(tài)鏈。欺詐分子可能同時竊取大量“好人”的個人信息來養(yǎng)數百個賬號、申請上百張信用卡，每個賬號、每次申請所使用的信息都無懈可擊，而以黑白名單為典型的傳統(tǒng)反欺詐方法，往往將其作為一個個獨立事件進行檢測，結果自然是“道高一尺，魔高一丈”，不僅造成企業(yè)損失，還會傷害大量無辜的消費者。

面對千變萬化的新型欺詐，利用標簽化處理已知欺詐行為，并以此訓練機器辨別類似行為的傳統(tǒng)反欺詐方法顯然過于遲緩和被動。“欺詐與反欺詐是非?？焖俚墓シ缿?zhàn)，手段是多種多樣的，因為欺詐分子了解了有監(jiān)督機器學習的攻防機制，所以采用的欺詐方法往往是之前沒見過的，對于歷史數據的標注，也就是標簽所訓練出來的模型，其實對新的攻擊仍然是不敏感的?！敝x映蓮在采訪中介紹，DataVisor研發(fā)的無監(jiān)督機器學習專利技術，最大的優(yōu)勢就在于去標簽化，使得模型能夠實現“隨著欺詐攻擊變化的同時，智能地進行攻防策略的調整，主動發(fā)現未知的欺詐方法?！?/strong>

簡單來說，有監(jiān)督的機器學習就是通過人為地標簽化某些行為或事物，并使用這些標簽對機器進行訓練，如圓形且可食用的紅色水果是蘋果，經過訓練，遇到“圓形”、“可食用”、“紅色”這三個標簽時，機器即可識別出“蘋果”；而無監(jiān)督機器學習則是機器自發(fā)地通過發(fā)現數據之間的關聯關系，尋找出規(guī)律，如機器獲取了蘋果、西紅柿、草莓的數據，盡管機器并不認識這三種水果，但卻能發(fā)現它們之間存在的一個共同之處，即都是“紅色”。

不同的算法各有所長，無監(jiān)督機器學習在尋找數據間的聯系方面得天獨厚，DataVisor發(fā)現在現代欺詐事件中，“壞人”之間往往有著某種隱秘的聯系，顯示出“壞人扎堆，好人分散”的特征。因此，無監(jiān)督機器學習尤其適用于識別黑產這一類團伙作案。

Gartner曾預言：“在 2021年, 50% 的企業(yè)將會運用無監(jiān)督機器學習技術到現有的反欺詐檢測系統(tǒng)之中?！?/strong>

事實上，無監(jiān)督機器學習和傳統(tǒng)的反欺詐方法并不是零和競爭的關系。“一個機構要建立完善、嚴密的風控體系，可以同時采用我們的無監(jiān)督機器學習產品和黑白名單等產品，它們是互為補充的?！盌ataVisor的產品體系中，同樣包含了有監(jiān)督機器學習引擎、規(guī)則引擎和標簽化產品：全球智能信譽庫。

DataVisor UML解決方案架構；圖片來源：DataVisor官網

對此，謝映蓮做了一個形象的比喻：“反欺詐決策就像是做一道菜，算法是菜譜，系統(tǒng)引擎是廚具，數據源是米，黑白名單是抄過水的半成品，沒有半成品可以，但巧婦難為無米之炊，有充足的原始數據是前提。”

金融科技賽道，中國超越美國了嗎？

盡管兩位創(chuàng)始人都是土生土長的中國人，在硅谷成立的DataVisor卻更像一家國際化的AI公司，“國內的科技創(chuàng)企是資本驅動的，為了贏得投資人親睞，往往會在各個賽道布局，以豐富產品線，但在國外，尤其是美國的科技創(chuàng)企往往規(guī)模不大，更加傾向于聚焦在某一個賽道中深耕?！?/p>

從2013年在硅谷成立至今，DataVisor經過6年的發(fā)展，一直專注于反欺詐領域的研究。目前，DataVisor已在金融、社交、電商、移動應用推廣等領域積累了豐富的實踐經驗，其產品被應用在賬號盜用、信用卡申請欺詐、信用卡套現、反洗錢、支付欺詐、薅羊毛、刷單等多種場景中。2016年，元生資本創(chuàng)始人彭志堅親自來到美國拜訪謝映蓮，雙方達成B輪融資協議，這也促使DataVisor正式進入了中國市場。2018年2月12日，DataVisor宣布獲得由紅杉中國領投的4000萬美元C輪融資。

由于DataVisor兼具中美基因，采訪中難免提到現在一個熱門的話題：在金融科技賽道，中美發(fā)展速度到底孰優(yōu)孰劣？

對此，謝映蓮認為中美兩國的金融科技都在快速發(fā)展，暫時還沒有分出先后。

“中國的人口優(yōu)勢使其在互聯網化進程中擁有著巨大的市場潛力。對金融領域而言，無疑也是一個巨大的市場體量，但目前中國的金融科技其實沒有想象的要快，這一方面是受限于監(jiān)管，另一方面也受市場體系完善程度的影響。比如在傳統(tǒng)銀行的場景，美國的信用卡市場依托于先進的社會征信體系，使用戶可以全程在線上完成信用卡申請，而在中國必須配合多重線下審核來進行風控。也就是說，現在中國很多反欺詐并不是通過技術方案解決，這套傳統(tǒng)的模式對用戶體驗而言并不太好，同時也抑制了傳統(tǒng)金融機構對新科技的需求?！?/p>

DataVisor也發(fā)現，盡管國內的傳統(tǒng)金融機構在積極引入新科技以完成互聯網化轉型，但其實現周期還是較為漫長。謝映蓮表示：“大數據基礎體系的建立、對新技術的認知和對新技術的需求，當這三個要素都具備時，DataVisor就能更好地為這些傳統(tǒng)企業(yè)賦能。”

銀行與金融科技融合的理想境界是什么？是銀行即服務。

2019年6月14日，億歐智庫研究院將在“2019丨全球新經濟年會·金融科技峰會”上發(fā)布《2019開放銀行與金融科技發(fā)展研究報告》，深度解讀金融科技賦能開放銀行的融合與落地應用——上?！ず鐦颉な蕾Q展館邀您見證！搶票鏈接：https://www.iyiou.com/post/ad/id/818