[商业信息]维择科技走进金融科技研究院活动圆满成功

【/h/】7月6日下午，由清华大学金融科技学院互联网金融实验室证券科技研究中心主办、datavisor韦泽科技协办的第四期证券科技主题沙龙暨韦泽下午茶在北京双清大厦成功举行。Datavisor选择技术和金融风险控制咨询专家杨泽宇和德勤风险控制咨询总监柴涛作为分享嘉宾出席活动。

杨泽宇就无监督技术在现代金融反欺诈中的应用做了主旨发言。他说，移动互联网的全面普及带来了新的风险控制挑战，如恶意贷款欺诈、提现、非法集资、电信诈骗、营销套利、洗钱等隐藏在互联网金融场景中的非法活动。然而，现有的风险控制规则只能覆盖约20%的欺诈手段。主要原因是攻击者的攻击方式往往变化很快，而防御者的一般对策则相对滞后。传统的风险控制方法，如黑白名单、规则引擎和监督式机器学习，严重依赖历史数据和经验，需要大量的人力和时间来维护这些名单、规则或模型。“规则模型越来越多。当新的攻击手段出现时，需要在模型中加入新的规则，导致很大一部分规则过于陈旧，检测效率和对新攻击的识别不够好。”杨泽宇说。

无监督机器学习的一个主要特点是不依赖标签，从全局角度发现可疑账户和可疑活动之间的相关性，以捕获欺诈攻击。因为现代诈骗倾向于团伙型、专业化诈骗，这种诈骗具有“不良用户密切接触，良好用户行为离散”的特点。无监督机器学习利用这一特征，通过聚类和图形分析来识别欺诈群体。

无监督机器学习的处理流程是:先进行动态特征提取，再进行无监督攻击群检测，最后对输出结果进行分类排序。datavisor Technology的无监督机器学习引擎会根据每个用户在不同场景下的数据信息提取特征，如身份信息、设备id、ip地址、关系信息等。特征提取后，使用无监督算法对这些数据信息进行聚类，最后对聚类后的群体或账户进行分类，由好用户和坏用户打分。杨泽宇表示，无监督机器学习有着广泛的应用场景，如社交领域的反批量注册、电子商务领域的反薅羊毛、游戏中的反流量欺诈、金融反欺诈等。

与会嘉宾对如何区分聚类属性表现出极大的兴趣。我们如何区分好簇和坏簇？比如杨泽宇说:一群人在机场连上同一个wi-fi不可疑，一群人在国内用华为手机下载了一个游戏也不可疑。但是一群人用同样冷门的手机型号和一个旧系统版本在类似的时间点注册，比前两个更可疑。我们解释了用户的可疑性，并基于丰富的提取特征、大量的研究和实践给出了分数。dcube是datavisor Technology最新的全面反欺诈管理解决方案，它的一大优势是为不同场景下的业务人员提供了一个更具可解释性的产品。

【/h/】活动吸引了30多位行业专家、商界代表、清华大学学生等。，反响热烈。