背景

　　近年來自動(dòng)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(shí)。 如今，“自動(dòng)駕駛”的概念則被支付寶創(chuàng)新性地應(yīng)用到了風(fēng)控領(lǐng)域，通過AI技術(shù)顛覆傳統(tǒng)風(fēng)控的運(yùn)營(yíng)模式，實(shí)現(xiàn)風(fēng)控領(lǐng)域的“無人駕駛”技術(shù)。

　　隨著人工智能的熱潮推進(jìn)，支付寶風(fēng)控引擎也從CTU時(shí)代直接進(jìn)入AlphaRisk時(shí)代，開啟了人工智能驅(qū)動(dòng)的支付風(fēng)控的新紀(jì)元。其中，最大的改變就是AI算法的全面應(yīng)用，以及引擎功能模塊的升級(jí)。AutoPilot作為AlphaRisk四大核心模塊之一，目標(biāo)是實(shí)現(xiàn)用戶核身方式的精準(zhǔn)推送。

　　有別于經(jīng)典的基于專家經(jīng)驗(yàn)的風(fēng)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(jìn)化算法實(shí)現(xiàn)了用戶個(gè)性化的風(fēng)險(xiǎn)控制策略，不同用戶的核身認(rèn)證方式因場(chǎng)景、時(shí)間和地點(diǎn)的不同而不同，同時(shí)大大提升了風(fēng)險(xiǎn)控制的精確性、實(shí)現(xiàn)風(fēng)控運(yùn)營(yíng)自動(dòng)化能力。

　　不僅如此，在2017年天貓雙十一，AutoPilot首次面對(duì)大促交易峰值的考驗(yàn)，實(shí)現(xiàn)了完全無人風(fēng)控策略調(diào)整，風(fēng)控引擎自動(dòng)根據(jù)交易流量和風(fēng)險(xiǎn)變化動(dòng)態(tài)調(diào)整風(fēng)險(xiǎn)控制強(qiáng)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(wù)含義和風(fēng)險(xiǎn)概率，既從大數(shù)據(jù)角度出發(fā)科學(xué)分群，又包含了特定的業(yè)務(wù)含義。

　　2） 多目標(biāo)優(yōu)化

　　風(fēng)險(xiǎn)決策策略推薦需要解決的問題是求滿足多業(yè)務(wù)目標(biāo)(打擾率、覆蓋率、失敗率和限權(quán)率)的最優(yōu)解。這是一個(gè)典型多目標(biāo)優(yōu)化問題：

　　而現(xiàn)實(shí)世界的多目標(biāo)優(yōu)化問題存在兩個(gè)困難：相互制衡或沖突的目標(biāo)和復(fù)雜的解空間。因此多目標(biāo)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(jìn)行解之間的權(quán)衡，使得解空間可能非常復(fù)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(dǎo)出一組帕累托最優(yōu)前沿，然后選擇一個(gè)最優(yōu)解，可以有下面三種具體實(shí)現(xiàn)方法：

　　i.先決策后搜索，根據(jù)人為偏好，將多目標(biāo)融合轉(zhuǎn)化為單目標(biāo)，此方法需要對(duì)業(yè)務(wù)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(gè)解，此方法需要較長(zhǎng)的計(jì)算時(shí)間;

　　iii.同時(shí)搜索和決策，每一步的搜索結(jié)果輸出給人工進(jìn)行交互;

　　自然而然，進(jìn)化算法成為最好的選擇之一。

　　進(jìn)化算法的概念如下：

　　·維持一組候選解集合(population)

　　·評(píng)價(jià)種群中個(gè)體的適應(yīng)度(fitness)

　　·進(jìn)行選擇操作(selection)，高質(zhì)量的個(gè)體保留進(jìn)入操作池

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

　　進(jìn)化算法的目標(biāo)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(jìn)： Random Weight Based + niche method。具體算法步驟如下：

　　step1: 生成初始隨機(jī)種群E;

　　step2: 對(duì)種群中每個(gè)個(gè)體賦予一個(gè)適應(yīng)度：對(duì)每個(gè)個(gè)體，基于隨機(jī)權(quán)重w，匯總多目標(biāo)函數(shù)為一個(gè)原始的適應(yīng)度值;同時(shí)根據(jù)個(gè)體周圍的生態(tài)擁擠程度，對(duì)適應(yīng)度進(jìn)行懲罰調(diào)整;

　　step3: 基于適應(yīng)度計(jì)算選擇概率;

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

　　step5: 合并E和Q，選擇適應(yīng)度靠前的子集進(jìn)入下一代;

　　step6: 若不滿足停止條件，則step2;

　　AutoPilot的應(yīng)用結(jié)果

　　AutoPilot實(shí)現(xiàn)了風(fēng)險(xiǎn)覆蓋和用戶打擾的最佳平衡，在保障風(fēng)險(xiǎn)資損低水位的基礎(chǔ)上，實(shí)現(xiàn)了管控方案從千人一面向千人千面的轉(zhuǎn)換。當(dāng)交易被識(shí)別存在風(fēng)險(xiǎn)時(shí)，AutoPilot可自動(dòng)推薦最適合這個(gè)會(huì)員，且最安全的管控方案，實(shí)現(xiàn)用戶核身體驗(yàn)的最優(yōu)化。以O(shè)2O線下支付場(chǎng)景為例，該場(chǎng)景最常見的風(fēng)險(xiǎn)為的用戶手機(jī)丟失(即用戶手機(jī)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(shí)，AutoPilot實(shí)現(xiàn)了風(fēng)險(xiǎn)防控策略的自助運(yùn)營(yíng)，極大減少人工干預(yù)。2017年天貓雙十一大促，AutoPilot首次落地應(yīng)用，根據(jù)交易流量和風(fēng)險(xiǎn)變化動(dòng)態(tài)自動(dòng)調(diào)整模型和策略的管控力度，實(shí)現(xiàn)了無人調(diào)配策略的可能，并經(jīng)受住了大促時(shí)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(jī)器智能AI(Artificial intelligence)相結(jié)合，打造具有機(jī)器智能的風(fēng)控系統(tǒng)。而AutoPilot作為AlphaRisk的核心功能，最大用的意義在于“科學(xué)決策”和“無人駕駛”。

　　2017年初，支付寶開始建設(shè)AlphaRisk風(fēng)控大腦，愿景是探索風(fēng)控領(lǐng)域的無人駕駛技術(shù)。 AlphaRisk項(xiàng)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(wù)。目前，支付寶的資損率僅為國(guó)外先進(jìn)第三方支付公司資損率的1/200，處于行業(yè)的絕對(duì)領(lǐng)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(yàn)。

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(diǎn)。其原創(chuàng)性以及文中陳述文字和內(nèi)容未經(jīng)本站證實(shí)，對(duì)本文以及其中全部或者部分內(nèi)容、文字的真實(shí)性、完整性、及時(shí)性本站不作任何保證或承諾，并請(qǐng)自行核實(shí)相關(guān)內(nèi)容。本站不承擔(dān)此類作品侵權(quán)行為的直接責(zé)任及連帶責(zé)任。如若本網(wǎng)有任何內(nèi)容侵犯您的權(quán)益，請(qǐng)及時(shí)聯(lián)系我們，本站將會(huì)在24小時(shí)內(nèi)處理完畢。