背景

　　近年來自動駕駛技術(shù)大紅大紫，從Google無人駕駛汽車到Tesla Model-S量產(chǎn)，無人駕駛技術(shù)慢慢從概念走向了現(xiàn)實。 如今，“自動駕駛”的概念則被支付寶創(chuàng)新性地應用到了風控領域，通過AI技術(shù)顛覆傳統(tǒng)風控的運營模式，實現(xiàn)風控領域的“無人駕駛”技術(shù)。

　　隨著人工智能的熱潮推進，支付寶風控引擎也從CTU時代直接進入AlphaRisk時代，開啟了人工智能驅(qū)動的支付風控的新紀元。其中，最大的改變就是AI算法的全面應用，以及引擎功能模塊的升級。AutoPilot作為AlphaRisk四大核心模塊之一，目標是實現(xiàn)用戶核身方式的精準推送。

　　有別于經(jīng)典的基于專家經(jīng)驗的風控策略，以及單一模式的核身推薦，AutoPilot通過半監(jiān)督算法和進化算法實現(xiàn)了用戶個性化的風險控制策略，不同用戶的核身認證方式因場景、時間和地點的不同而不同，同時大大提升了風險控制的精確性、實現(xiàn)風控運營自動化能力。

　　不僅如此，在2017年天貓雙十一，AutoPilot首次面對大促交易峰值的考驗，實現(xiàn)了完全無人風控策略調(diào)整，風控引擎自動根據(jù)交易流量和風險變化動態(tài)調(diào)整風險控制強度。

　　下面，我們從技術(shù)的角度出發(fā)，給大家揭秘AutoPilot的方案思想。

　　AutoPilot的核心思想

　　1） 用戶分群

　　用戶分群是通過決策樹算法+德爾斐法相結(jié)合而得，綜合考慮了分群的穩(wěn)定性、業(yè)務含義和風險概率，既從大數(shù)據(jù)角度出發(fā)科學分群，又包含了特定的業(yè)務含義。

　　2） 多目標優(yōu)化

　　風險決策策略推薦需要解決的問題是求滿足多業(yè)務目標(打擾率、覆蓋率、失敗率和限權(quán)率)的最優(yōu)解。這是一個典型多目標優(yōu)化問題：

　　而現(xiàn)實世界的多目標優(yōu)化問題存在兩個困難：相互制衡或沖突的目標和復雜的解空間。因此多目標問題不存在單一最優(yōu)解，而是存在一組帕累托最優(yōu)前沿(Pareto-optimal)，在缺乏主觀偏好函數(shù)下無法進行解之間的權(quán)衡，使得解空間可能非常復雜和龐大，所以高效率而精確的求解極為困難。

　　所以樸素的思想是：先推導出一組帕累托最優(yōu)前沿，然后選擇一個最優(yōu)解，可以有下面三種具體實現(xiàn)方法：

　　i.先決策后搜索，根據(jù)人為偏好，將多目標融合轉(zhuǎn)化為單目標，此方法需要對業(yè)務有深入的理解;

　　ii.先搜索后決策，先搜索出一組最優(yōu)解，再根據(jù)偏好選擇其中一個解，此方法需要較長的計算時間;

　　iii.同時搜索和決策，每一步的搜索結(jié)果輸出給人工進行交互;

　　自然而然，進化算法成為最好的選擇之一。

　　進化算法的概念如下：

　　·維持一組候選解集合(population)

　　·評價種群中個體的適應度(fitness)

　　·進行選擇操作(selection)，高質(zhì)量的個體保留進入操作池

　　·進行雜交和變異(crossover/mutation)操作，產(chǎn)生下一代種群

　　進化算法的目標為盡可能的靠近帕累托前沿，而且解的分布盡可能的廣泛，使種群有較好的差異性。

　　最終的算法我們采用了基于RWGA的改進： Random Weight Based + niche method。具體算法步驟如下：

　　step1: 生成初始隨機種群E;

　　step2: 對種群中每個個體賦予一個適應度：對每個個體，基于隨機權(quán)重w，匯總多目標函數(shù)為一個原始的適應度值;同時根據(jù)個體周圍的生態(tài)擁擠程度，對適應度進行懲罰調(diào)整;

　　step3: 基于適應度計算選擇概率;

　　step4: 基于選擇概率選擇雜交父母，雜交后進行變異操作，得到集合Q;

　　step5: 合并E和Q，選擇適應度靠前的子集進入下一代;

　　step6: 若不滿足停止條件，則step2;

　　AutoPilot的應用結(jié)果

　　AutoPilot實現(xiàn)了風險覆蓋和用戶打擾的最佳平衡，在保障風險資損低水位的基礎上，實現(xiàn)了管控方案從千人一面向千人千面的轉(zhuǎn)換。當交易被識別存在風險時，AutoPilot可自動推薦最適合這個會員，且最安全的管控方案，實現(xiàn)用戶核身體驗的最優(yōu)化。以O2O線下支付場景為例，該場景最常見的風險為的用戶手機丟失(即用戶手機丟失后，被非本人使用)，AutoPilot通過AI算法匹配，優(yōu)先推薦人臉等生物核身手段，而非傳統(tǒng)或靜態(tài)核身方式，以有效保障賬戶資金安全。

　　同時，AutoPilot實現(xiàn)了風險防控策略的自助運營，極大減少人工干預。2017年天貓雙十一大促，AutoPilot首次落地應用，根據(jù)交易流量和風險變化動態(tài)自動調(diào)整模型和策略的管控力度，實現(xiàn)了無人調(diào)配策略的可能，并經(jīng)受住了大促時期黑產(chǎn)的攻擊。

　　結(jié)語

　　總而言之， AlphaRisk的核心內(nèi)容是人類直覺AI(analyst intuition)和機器智能AI(Artificial intelligence)相結(jié)合，打造具有機器智能的風控系統(tǒng)。而AutoPilot作為AlphaRisk的核心功能，最大用的意義在于“科學決策”和“無人駕駛”。

　　2017年初，支付寶開始建設AlphaRisk風控大腦，愿景是探索風控領域的無人駕駛技術(shù)。 AlphaRisk項目1期上線后，支付寶的資損率從原先十萬分之1下降至 百萬分之0.5以內(nèi) ,讓欺詐損失率低于任何銀行卡服務。目前，支付寶的資損率僅為國外先進第三方支付公司資損率的1/200，處于行業(yè)的絕對領先水平。而這一切，都是為了支付寶的用戶能夠用戶更極致的安全和更完美的體驗。

特別提醒：本網(wǎng)信息來自于互聯(lián)網(wǎng)，目的在于傳遞更多信息，并不代表本網(wǎng)贊同其觀點。其原創(chuàng)性以及文中陳述文字和內(nèi)容未經(jīng)本站證實，對本文以及其中全部或者部分內(nèi)容、文字的真實性、完整性、及時性本站不作任何保證或承諾，并請自行核實相關(guān)內(nèi)容。本站不承擔此類作品侵權(quán)行為的直接責任及連帶責任。如若本網(wǎng)有任何內(nèi)容侵犯您的權(quán)益，請及時聯(lián)系我們，本站將會在24小時內(nèi)處理完畢。