讓支付系統(tǒng)更懂你---無感支付背后的AI技術(shù)

無感支付，就是沒有感覺，或者說沒多少感覺的情況下讓支付環(huán)節(jié)完全秒化(1-2秒可以看作是無感的一個(gè)標(biāo)準(zhǔn))，不作為一個(gè)獨(dú)立的環(huán)節(jié)出現(xiàn)，沒有為支付而出現(xiàn)的專門操作動(dòng)作。銳融天下通過在支付行業(yè)多年深耕經(jīng)驗(yàn)，所以在無感支付領(lǐng)域有著領(lǐng)先于行業(yè)的技術(shù)。本文，我們從支付場(chǎng)景開始，帶你了解這類便捷應(yīng)用背后的技術(shù)原理，領(lǐng)略AI技術(shù)如何優(yōu)雅的為無感支付做著支撐。

一、無感支付應(yīng)用場(chǎng)景

1、停車?yán)U費(fèi)

車輛行駛到閘機(jī)口，車主無需將車停下，只需稍稍放緩車速，閘機(jī)掃描裝置便能自動(dòng)識(shí)別車牌號(hào)碼，立即抬桿，車主順勢(shì)通過，然后微信支付寶自動(dòng)扣費(fèi)。

2、刷臉購(gòu)物

無人超市，是可以自帶刷臉識(shí)別功能的，并統(tǒng)一默認(rèn)為支付寶，消費(fèi)者進(jìn)入商場(chǎng)那一刻，即完成識(shí)別過程。將支付環(huán)節(jié)的識(shí)別，融合在進(jìn)門與出門的識(shí)別功能上。讓消費(fèi)者不掏手機(jī)不掃碼，出門直接扣款，則真正意義上實(shí)現(xiàn)了無感支付。

3、指紋支付

和輸入密碼支付相比，指紋支付肯定來得更加方便。特別是在線下進(jìn)行移動(dòng)支付的時(shí)候，后面一堆人攘攘熙熙地排著隊(duì)，前面的人還在慢吞吞輸密碼，這甚至能讓一些趕時(shí)間的人火冒三丈。這時(shí)候，一摸就能支付的指紋支付，就能大大節(jié)省時(shí)間。

4、聲紋支付

美國(guó)運(yùn)通卡的用戶可以查看自己的余額，獲取各種折扣和優(yōu)惠，還能支付帳單，甚至收聽最新的賬戶信息。美國(guó)運(yùn)通卡用戶只需要對(duì)Echo音箱說：“我的美國(guó)運(yùn)通賬戶余額是多少。”這個(gè)語(yǔ)音助手就會(huì)提供相應(yīng)的信息。

二、銳融天下無感支付關(guān)鍵技術(shù)

以上無感支付場(chǎng)景中，為用戶帶來便利的背后，是車牌識(shí)別、人體生物識(shí)別技術(shù)融合進(jìn)入支付流程。以生物識(shí)別技術(shù)為例，其實(shí)現(xiàn)原理為：通過對(duì)生物特征進(jìn)行取樣，提取其唯一的特征并且轉(zhuǎn)化成數(shù)字代碼，并進(jìn)一步將這些代碼組合而成的特征模板。人們同識(shí)別系統(tǒng)交互進(jìn)行身份認(rèn)證時(shí)，識(shí)別系統(tǒng)獲取其特征并與數(shù)據(jù)可中的特征模板進(jìn)行比對(duì)，以確定是否匹配，從而決定接受或拒絕該人。

無感支付，同時(shí)又是以機(jī)器學(xué)習(xí)為核心的多種技術(shù)的應(yīng)用成果，主要包括：

1、模式識(shí)別=機(jī)器學(xué)習(xí)

模式識(shí)別又常稱作模式分類，其原理和算法完全等同于機(jī)器學(xué)習(xí)。從處理問題的性質(zhì)和解決問題的方法等角度，模式識(shí)別分為有監(jiān)督的分類(Supervised Classification)和無監(jiān)督的分類(Unsupervised Classification)兩種。二者的主要差別在于，各實(shí)驗(yàn)樣本所屬的類別是否預(yù)先已知。

2、計(jì)算機(jī)視覺=圖像處理+機(jī)器學(xué)習(xí)

圖像處理技術(shù)用于將圖像處理為適合進(jìn)入機(jī)器學(xué)習(xí)模型中的輸入，機(jī)器學(xué)習(xí)則負(fù)責(zé)從圖像中識(shí)別出相關(guān)的模式。計(jì)算機(jī)視覺相關(guān)的應(yīng)用非常的多，例如百度識(shí)圖、手寫字符識(shí)別、車牌識(shí)別等等應(yīng)用。隨著機(jī)器學(xué)習(xí)的新領(lǐng)域深度學(xué)習(xí)的發(fā)展，大大促進(jìn)了計(jì)算機(jī)圖像識(shí)別的效果，因此未來計(jì)算機(jī)視覺界的發(fā)展前景不可估量。

3、聲紋識(shí)別=聲音提取+機(jī)器學(xué)習(xí)

提取并選擇對(duì)說話人的聲紋具有可分性強(qiáng)、穩(wěn)定性高等特性的聲學(xué)或語(yǔ)言特征。聲紋識(shí)別系統(tǒng)是一個(gè)典型的模式識(shí)別的框架，為了讓計(jì)算機(jī)認(rèn)識(shí)一個(gè)用戶的身份，需要目標(biāo)用戶首先提供一段訓(xùn)練語(yǔ)音，這段語(yǔ)音經(jīng)過特征提取和模型訓(xùn)練等一系列操作，會(huì)被映射為用戶的聲紋模型。在驗(yàn)證階段，一個(gè)身份未知的語(yǔ)音也會(huì)經(jīng)過一系列的操作被映射為測(cè)試特征，測(cè)試特征會(huì)與目標(biāo)模型進(jìn)行某種相似度的計(jì)算后得到一個(gè)置信度的得分，這個(gè)得分通常會(huì)與我們?nèi)斯ぴO(shè)定的期望值進(jìn)行比較，高于這個(gè)期望值，我們認(rèn)為測(cè)試語(yǔ)音對(duì)應(yīng)的身份與目標(biāo)用戶身份匹配，通過驗(yàn)證;反之則拒絕掉測(cè)試身份。

三、核心算法

以上無感支付所依托的機(jī)器學(xué)習(xí)的主流算法包括：回歸算法、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等。

1、回歸算法---機(jī)器學(xué)習(xí)基礎(chǔ)算法

機(jī)器學(xué)習(xí)中的回歸算法的本質(zhì)是通過對(duì)樣本數(shù)據(jù)的收集，給出假設(shè)的函數(shù)模型，而此函數(shù)包含未知參數(shù)，機(jī)器學(xué)習(xí)的過程就是解方程或者找到最優(yōu)解，當(dāng)驗(yàn)證通過后，從而可以用該函數(shù)去預(yù)測(cè)測(cè)試新數(shù)據(jù)。其中，最常用也是最基礎(chǔ)的回歸算法，是線性回歸。

線性回歸(Linear Regression)，用來確定兩種或兩種以上變量間相互依賴的定量關(guān)系的一種統(tǒng)計(jì)分析方法，其表達(dá)形式為y = w'x+e，e為誤差服從均值為0的正態(tài)分布，其中只有一個(gè)自變量的情況稱為簡(jiǎn)單回歸，多個(gè)自變量的情況叫多元回歸。

給定學(xué)習(xí)所用的數(shù)據(jù)集合為：

可采用線性模型：

求解得到：

2、神經(jīng)網(wǎng)絡(luò)---廣泛應(yīng)用于車牌識(shí)別

神經(jīng)網(wǎng)絡(luò)算法模擬了人腦的計(jì)算模型。在該模型中，神經(jīng)元接收來自n個(gè)其他神經(jīng)元傳遞的輸入信號(hào)，通過帶權(quán)重的連接進(jìn)行傳播，神經(jīng)元接收到的總輸入值將與神經(jīng)元的閾值進(jìn)行比較，然后通過“激活函數(shù)”處理輸入信號(hào)，產(chǎn)生該神經(jīng)元輸出。

可采用Sigmoid函數(shù)作為激活函數(shù)g(x)：

我們使用向量和矩陣來表示層次中的變量。a(1)，a(2)，z是網(wǎng)絡(luò)中傳輸?shù)南蛄繑?shù)據(jù)。W(1)和W(2)是網(wǎng)絡(luò)的矩陣參數(shù)。

g(w(1) * a(1) = a(2);

g(w(2) * a(2) =z;

理論證明，兩層神經(jīng)網(wǎng)絡(luò)可以無限逼近任意連續(xù)函數(shù)。也就是說，面對(duì)復(fù)雜的非線性分類任務(wù)，兩層(帶一個(gè)隱藏層)神經(jīng)網(wǎng)絡(luò)可以分類的很好。

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程，就是根據(jù)訓(xùn)練數(shù)據(jù)來調(diào)整神經(jīng)元之間的“連接權(quán)”以及每個(gè)功能神經(jīng)元的閾值。

機(jī)器學(xué)習(xí)模型訓(xùn)練的目的，就是使得參數(shù)盡可能的與真實(shí)的模型逼近。具體做法是這樣的。首先給所有參數(shù)賦上隨機(jī)值。我們使用這些隨機(jī)生成的參數(shù)值，來預(yù)測(cè)訓(xùn)練數(shù)據(jù)中的樣本。樣本的預(yù)測(cè)目標(biāo)為yp，真實(shí)目標(biāo)為y。那么，定義一個(gè)值loss，計(jì)算公式如下：

loss = (yp - y)^2

這個(gè)值稱之為損失(loss)，我們的目標(biāo)就是使對(duì)所有訓(xùn)練數(shù)據(jù)的損失和盡可能的小。

一般來說解決這個(gè)優(yōu)化問題使用的是梯度下降算法。梯度下降算法每次計(jì)算參數(shù)在當(dāng)前的梯度，然后讓參數(shù)向著梯度的反方向前進(jìn)一段距離，不斷重復(fù)，直到梯度接近零時(shí)截止。

3、支持向量機(jī)SVM--廣泛應(yīng)用于生物識(shí)別

支持向量機(jī)(support vector machines)是一種二分類模型，它的目的是尋找一個(gè)超平面來對(duì)樣本進(jìn)行分割，分割的原則是間隔最大化，最終轉(zhuǎn)化為一個(gè)凸二次規(guī)劃問題來求解。由簡(jiǎn)至繁的模型包括：

· 當(dāng)訓(xùn)練樣本線性可分時(shí)，通過硬間隔最大化，學(xué)習(xí)一個(gè)線性可分支持向量機(jī);

· 當(dāng)訓(xùn)練樣本近似線性可分時(shí)，通過軟間隔最大化，學(xué)習(xí)一個(gè)線性支持向量機(jī);

· 當(dāng)訓(xùn)練樣本線性不可分時(shí)，通過核技巧和軟間隔最大化，學(xué)習(xí)一個(gè)非線性支持向量機(jī);

　　圖1. 樣本數(shù)據(jù)線性可分

　　圖2. 學(xué)習(xí)得到線性分割的向量

通過最小二乘或梯度法對(duì)以下目標(biāo)函數(shù)求解可得w，b，獲得用于線性分割的向量;

我們會(huì)經(jīng)常遇到線性不可分的樣例，此時(shí)，我們的常用做法是把樣例特征映射到高維空間中去(如下圖)：

　　圖3. 將低維空間映射到高維空間

線性不可分映射到高維空間，可能會(huì)導(dǎo)致維度過大無法計(jì)算。但通過引入核函數(shù)，將特征量從低維向高維轉(zhuǎn)換，核函數(shù)先在低維上進(jìn)行計(jì)算，而將分類效果表現(xiàn)在高維上，避免了直接在高維空間中的復(fù)雜計(jì)算。

四、應(yīng)用中存在的困難與潛在的風(fēng)險(xiǎn)

無感支付技術(shù)具有使用便捷的優(yōu)點(diǎn)，同時(shí)風(fēng)險(xiǎn)與之并存：如生物特征的生物身份識(shí)別技術(shù)存在著一旦被盜用將無法吊銷的風(fēng)險(xiǎn)。同時(shí),互聯(lián)網(wǎng)銀行業(yè)務(wù)發(fā)展的技術(shù)障礙也未解決，無論人臉識(shí)別，指紋等多重生物識(shí)別技術(shù)有多成熟，只要是網(wǎng)絡(luò)遠(yuǎn)程傳輸方式都能夠被黑客截取復(fù)制。

就目前來看，雖然關(guān)注度高，但由于生物識(shí)別技術(shù)的尚不成熟，其在支付領(lǐng)域的運(yùn)用暫時(shí)還難以大規(guī)模的推廣使用，還面臨著政策和宣傳不到位等諸多因素的困擾，如何理性、務(wù)實(shí)的直面存在的問題困難，加強(qiáng)對(duì)該項(xiàng)技術(shù)的投入和監(jiān)督，是金融科技業(yè)在未來一個(gè)時(shí)期內(nèi)應(yīng)重點(diǎn)解決的問題。

生成海報(bào)

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請(qǐng)進(jìn)一步核實(shí)，并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁(yè)或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，應(yīng)及時(shí)向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。