加速AI落地，无监督机器学习破解欺诈难题
时间：2022-03-24 14:48:01 | 来源：行业动态
时间：2022-03-24 14:48:01 来源：行业动态
在互联网快速发展的今天，随着个人信息不断泛滥，以及越来越多的企业业务往线上转移，欺诈者的攻击技术也日趋复杂且不断变化，而企业现有的反欺诈解决方案往往无法及时有效应对这种复杂多变的欺诈行为。
对企业而言危害性最大的欺诈行为，早已不是来自个人，而是来自规模性欺诈行为，其背后往往是一个有组织、有计划、甚至有技术的黑产生态链。欺诈分子可能同时窃取大量好人的个人信息来养数百个账号、申请上百张信用卡，每个账号、每次申请所使用的信息都无懈可击，而以黑白名单为典型的传统反欺诈方法，往往将其作为一个个独立事件进行检测，无法分析各账户之间的关联，因而无法洞察全局。
面对千变万化的新型欺诈，利用标签化处理已知欺诈行为，并以此训练机器辨别类似行为的传统反欺诈方法显然过于迟缓和被动。简单来说，有监督的机器学习就是通过人为地标签化某些行为或事物，并使用这些标签对机器进行训练。
谢映莲说，欺诈分子了解了有监督机器学习的攻防机制，所以采用的欺诈方法往往是之前没见过的，对于历史数据的标注，也就是标签所训练出来的模型，其实对新的攻击仍然是不敏感的。维择科技研发的无监督机器学习专利技术，最大的优势就在于去标签化，使得模型能够实现随着欺诈攻击变化的同时，智能地进行攻防策略的调整，主动发现未知的欺诈方法。
无监督机器学习是机器自发地通过发现数据之间的关联关系，寻找出规律。其最大的优势就是一改传统方式的劣势，化被动为主动，从而实时甚至提前检测出未知欺诈。UML引擎无需标签和训练数据即可提前防范、灵活应对不断演变的欺诈模式，同时还能够一次处理所有事件和用户活动，分析成千上万个账户之间的关联和相似性，并发现在这些欺诈用户中存在的微妙、潜在的模式，其准确度也较人工审查及有监督机器学习模型有了很大提升。
正是基于这样的特质，无监督反欺诈优势包括：
- 提前检测新型攻击。传统以行业经验进行规则创建和模型训练的反欺诈解决方案，通常无法发现新型攻击。无监督机器学习能够挖掘账号之间的隐秘关联，即时检测未被发现或未在训练数据中标记的新型攻击。
- 检测团伙欺诈攻击。现代欺诈通常为团伙欺诈，通过模仿正常用户行为来逃避检测。无监督的欺诈解决方案只能全局查看所有账户的信息和活动，因能够有效区分潜伏账号与合法账号的不同。
- 即刻生效且自动调优。区别于传统规则和有监督机器学习的解决方案，需要大量人力测试、验证、且容易衰减的特点。无监督机器学习不以过往经验，而是挖掘现有行为的关联，保持模型时刻有效。
- 无需标签输入。区别有监督机器学习引擎需要大量标签和训练数据。无监督机器学习能自动挖掘用户之间的可疑关联和相似属性，部署后即刻生效。
- 适配多业务场景。与单个场景的单点解决方案相比。通过对线上业务中用户属性和行为相关性的分析，发现其中难以察觉的团伙欺诈。能够有效应对多行业、多场景的线上欺诈问题。
- 输出群组结果。与黑白名单、规则引擎等单一检测手段不同。通过线上欺诈团伙的分析和捕捉，有效应对不断进化的欺诈行为，有效输出群组结果，实现多样化风控策略。
基础设施的不断完善、对新技术的认知和对新技术的需求，当这些要素聚合到一起，DataVisor维择科技的价值也就凸显出来了。我们专注研发，致力于构建互联网安全环境和推动数字经济发展，保护企业和用户的经济利益和数据安全。谢映莲最后说。
在线咨询
