支付宝风控的无人驾驶方案,实现风控策略精准推荐

2019 年 9 月 05 日

支付宝风控的无人驾驶方案,实现风控策略精准推荐

小蚂蚁说:

近年来自动驾驶技术大红大紫,从 Google 无人驾驶汽车到 Tesla Model-S 量产,无人驾驶技术慢慢从概念走向了现实。如今,“自动驾驶”的概念则被支付宝创新性地应用到了风控领域,通过 AI 技术颠覆传统风控的运营模式,实现风控领域的“无人驾驶”技术。

作为移动支付领航者的支付宝,借助大数据和 AI 技术,并历经十多年的发展,更是构建了世界级领先的风控技术能力。今天来给大家分享 AlphaRisk 四大核心模块之一的 AutoPilot 整体方案。

随着人工智能的热潮推进,支付宝风控引擎也从 CTU 时代直接进入 AlphaRisk 时代,开启了人工智能驱动的支付风控的新纪元。其中,最大的改变就是 AI 算法的全面应用,以及引擎功能模块的升级。AutoPilot 作为 AlphaRisk 四大核心模块之一,目标是实现用户核身方式的精准推送。

有别于经典的基于专家经验的风控策略,以及单一模式的核身推荐,AutoPilot 通过半监督算法和进化算法实现了用户个性化的风险控制策略,不同用户的核身认证方式因场景、时间和地点的不同而不同,同时大大提升了风险控制的精确性、实现风控运营自动化能力。

不仅如此,在 2017 年天猫双十一,AutoPilot 首次面对大促交易峰值的考验,实现了完全无人风控策略调整,风控引擎自动根据交易流量和风险变化动态调整风险控制强度。

下面,我们从技术的角度出发,给大家揭秘 AutoPilot 的方案思想。

AutoPilot 的核心思想

1) 用户分群
用户分群是通过决策树算法+德尔斐法相结合而得,综合考虑了分群的稳定性、业务含义和风险概率,既从大数据角度出发科学分群,又包含了特定的业务含义。

2) 多目标优化
风险决策策略推荐需要解决的问题是求满足多业务目标(打扰率、覆盖率、失败率和限权率)的最优解。这是一个典型多目标优化问题。

而现实世界的多目标优化问题存在两个困难:相互制衡或冲突的目标和复杂的解空间。因此多目标问题不存在单一最优解,而是存在一组帕累托最优前沿(Pareto-optimal),在缺乏主观偏好函数下无法进行解之间的权衡,使得解空间可能非常复杂和庞大,所以高效率而精确的求解极为困难。

所以朴素的思想是:先推导出一组帕累托最优前沿,然后选择一个最优解,可以有下面三种具体实现方法:

i. 先决策后搜索,根据人为偏好,将多目标融合转化为单目标,此方法需要对业务有深入的理解;

ii. 先搜索后决策,先搜索出一组最优解,再根据偏好选择其中一个解,此方法需要较长的计算时间;

iii. 同时搜索和决策,每一步的搜索结果输出给人工进行交互;

自然而然,进化算法成为最好的选择之一。

进化算法的概念如下:

  • 维持一组候选解集合(population)

  • 评价种群中个体的适应度(fitness)

  • 进行选择操作(selection),高质量的个体保留进入操作池

  • 进行杂交和变异(crossover/mutation)操作,产生下一代种群

进化算法的目标为尽可能的靠近帕累托前沿,而且解的分布尽可能的广泛,使种群有较好的差异性。

最终的算法我们采用了基于 RWGA 的改进: Random Weight Based + niche method。具体算法步骤如下:

step1: 生成初始随机种群 E;
step2: 对种群中每个个体赋予一个适应度:对每个个体,基于随机权重 w,汇总多目标函数为一个原始的适应度值;同时根据个体周围的生态拥挤程度,对适应度进行惩罚调整;
step3: 基于适应度计算选择概率;
step4: 基于选择概率选择杂交父母,杂交后进行变异操作,得到集合 Q;
step5: 合并 E 和 Q,选择适应度靠前的子集进入下一代;
step6: 若不满足停止条件,则 step2;

AutoPilot 的应用结果

AutoPilot 实现了风险覆盖和用户打扰的最佳平衡,在保障风险资损低水位的基础上,实现了管控方案从千人一面向千人千面的转换。当交易被识别存在风险时,AutoPilot 可自动推荐最适合这个会员,且最安全的管控方案,实现用户核身体验的最优化。以 O2O 线下支付场景为例,该场景最常见的风险为的用户手机丢失(即用户手机丢失后,被非本人使用),AutoPilot 通过 AI 算法匹配,优先推荐人脸等生物核身手段,而非传统或静态核身方式,以有效保障账户资金安全。

同时,AutoPilot 实现了风险防控策略的自助运营,极大减少人工干预。2017 年天猫双十一大促,AutoPilot 首次落地应用,根据交易流量和风险变化动态自动调整模型和策略的管控力度,实现了无人调配策略的可能,并经受住了大促时期黑产的攻击。

总结

总而言之, AlphaRisk 的核心内容是人类直觉 AI(Analyst Intuition) 和机器智能 AI(Artificial Intelligence) 相结合,打造具有机器智能的风控系统。而 AutoPilot 作为 AlphaRisk 的核心功能,最大用的意义在于“科学决策”和“无人驾驶”

2017 年初,支付宝开始建设 AlphaRisk 风控大脑,愿景是探索风控领域的无人驾驶技术。AlphaRisk 项目 1 期上线后,** 支付宝的资损率从原先十万分之 1 下降至百万分之 0.5 以内 , 让欺诈损失率低于任何银行卡服务。** 目前,支付宝的资损率仅为国外先进第三方支付公司资损率的 1/200,处于行业的绝对领先水平。而这一切,都是为了支付宝的用户能够用户更极致的安全和更完美的体验。

本文转载自公众号蚂蚁金服科技(ID:Ant-Techfin)。

原文链接:

https://mp.weixin.qq.com/s/CITbKFvGbCfnD8Jw0X0lCQ

2019 年 9 月 05 日 17:21 780
用户头像

发布了 150 篇内容,共 192585 次阅读,收获喜欢 12 次。

关注

评论

发布
暂无评论
发现更多内容

依赖倒置原则

李广富

架构师训练营第二章课后作业

叮叮董董

架构师训练营第二周

小树林

基本的面向对象原则(Basic OO principles)

旭东(Frank)

编程思维 极客大学架构师训练营

“麻烦”的处理流程

zhoo299

随笔杂谈

架构师训练营-第二章-依赖倒置原则&接口隔离原则

而立

极客大学架构师训练营

老大吩咐的可重入分布式锁,终于完美的实现了!!!

楼下小黑哥

Java redis 分布式锁

依赖倒置和案例

王锟

一个包子铺看懂 I/O 模型演变

小眼睛聊技术

Java 程序员 架构 后端 nio

品软件架构原则模式之美

老姜

产品视角看推荐算法

峰池

人工智能 算法 产品经理 推荐算法

架构师训练营第二章总结

叮叮董董

给行动找个理由

Neco.W

行动派 决策

这也太拧巴了吧?结局意想不到

非著名程序员

程序员 程序人生 提升认知

架构师训练营二期作业

老姜

第二次作业

朱月俊

为什么坐车会晕车呢

石云升

生活,随想 日常思考 晕车

架构师训练营第2周作业

Season

极客大学架构师训练营

哪些框架是遵循依赖倒置原则的?

朱月俊

小师妹学JVM之:GC的垃圾回收算法

程序那些事

JVM 「Java 25周年」 小师妹 JIT GC

第二周作业

武鹏

架构师训练营第2周学习总结

Season

极客大学架构师训练营

618你的系统顶住了么?系统发生重大灾难难道只能“删库跑路”?

夜来妖

什么是依赖倒置原则,为什么有时候依赖倒置原则又被称为好莱坞原则?

朱月俊

用接口隔离原则优化 Cache 类的设计

朱月俊

数据库周刊28│开发者最喜爱的数据库是什么?阿里云脱口秀聊程序员转型;MySQL update误操作;PG流复制踩坑;PG异机归档;MySQL架构选型;Oracle技能表;Oracle文件损坏处理……

墨天轮

数据库

架构师训练营 - 第二周架构师实现自己架构的主要手段

zcj

极客大学架构师训练营

第二次作业总结

朱月俊

做一个有原则的码农可好?

Dawn

极客大学架构师训练营

千万不能让程序员给娃娃取名字

码农神说

程序员

ARTS打卡Week 04

teoking

ios LeetCode ARTS 打卡计划

支付宝风控的无人驾驶方案,实现风控策略精准推荐-InfoQ