近日，在 “2022 IDC中國數(shù)字金融論壇”上，國際權(quán)威咨詢機構(gòu)IDC聯(lián)合螞蟻集團正式發(fā)布了《十大風控技術(shù)趨勢指南》白皮書。這是風控行業(yè)技術(shù)創(chuàng)新的一次風向標，也意味著和黑灰產(chǎn)對抗中技術(shù)升級迫在眉睫。

當今的商業(yè)模式已不同于往昔，隨著數(shù)字化進程的進一步加快，金融機構(gòu)必須要時刻為可能出現(xiàn)的業(yè)務風險做好準備。面對正在走向無邊界和強對抗的新型重大風險，金融機構(gòu)如何與之博弈，并始終領(lǐng)先一步？這正是“ IDC《十大風控技術(shù)趨勢指南》”將深入探討的議題。

新冠疫情算得上數(shù)字化發(fā)展的一個“加速器”，但其實早在疫情出現(xiàn)之前，數(shù)字服務領(lǐng)域已經(jīng)有了大規(guī)模的轉(zhuǎn)型：從線上互動，到數(shù)字支付，再到依托于數(shù)字平臺而生的新服務。疫情的出現(xiàn)加速了這一趨勢，加速的勢頭預計將保持到2030年。圖1數(shù)據(jù)顯示，2020年到2025年，全球消費者數(shù)字支付市場預計增長2.2倍，而在2025到2030年期間，上漲幅度預計將進一步增至3.4倍。

數(shù)字化世界的機遇和潛力巨大，但也充滿了風險。隨著企業(yè)加速運營調(diào)整以應對數(shù)字化進程，這種激增的趨勢帶來了明顯的合規(guī)風險和業(yè)務風險，讓黑產(chǎn)有機可乘。IDC的一項研究表明，相較于2020年，在2021年，亞太地區(qū)52%的企業(yè)因遭遇詐騙而蒙受的損失上漲了至少5%，26%的企業(yè)損失上漲了至少11%。由于支付管控不力及降低風險手段的不到位，欺詐活動現(xiàn)在越來越猖獗。黑灰產(chǎn)的欺詐手法正在不斷升級，欺詐套路也變得越來越復雜。

面對快速變化的欺詐發(fā)展形勢，傳統(tǒng)降低風險的做法和欺詐檢測工具是否能及時應對？如果不采用新的工具和技術(shù)，企業(yè)是否能夠安然地擴大其數(shù)字化業(yè)務的規(guī)模？現(xiàn)有的基礎(chǔ)設(shè)施是否能夠支撐企業(yè)分析海量數(shù)據(jù)、檢測欺詐，尤其是新型欺詐？

對于亞太地區(qū)的銀行、商家、支付公司和其他金融機構(gòu)來說，這些問題的答案可能都是否定的。本節(jié)中，我們將重點說明十項科技趨勢，憑借這些能力，金融機構(gòu)才能夠有機會實現(xiàn)可信的智能黑灰產(chǎn)對抗。

預計到2025年，銀行業(yè)還將再投入約310億美元用于在現(xiàn)有系統(tǒng)中嵌入人工智能技術(shù)。在接受調(diào)查的100位來自全球銀行業(yè)的高管中，多數(shù)人表示他們會將欺詐管理作為重點，其中，有些銀行在與欺詐相關(guān)的場景用例中已經(jīng)應用了人工智能，包括開戶欺詐（57%）、支付欺詐檢測（57%）、欺詐操作和調(diào)查（53%）還有反洗錢監(jiān)測（46%）。

自2022年開始，人工智能將成為打擊欺詐活動的一個重要基礎(chǔ)能力，人工智能將有效縮短決策時間，在7*24小時的全天候業(yè)務中，幫助實現(xiàn)客戶快捷、無縫的交易體驗，同時確保決策的準確性。

IT安全解決方案不勝枚舉，而市場仍然對多種威脅情報有強烈需求。因此基于巡檢技術(shù)的脅情報挖掘和分享能夠持續(xù)為金融機構(gòu)提供與新型威脅、欺詐跡象相關(guān)的信息。金融機構(gòu)需要對這些情報進行審查，同時記錄不同威脅情報效率和準確度得分，以便更好地了解不同的線索，進而指導對各種威脅的檢測、識別、調(diào)查和處理。

黑灰產(chǎn)通常不會只在一個平臺犯案，因此威脅情報對金融機構(gòu)來說至關(guān)重要，例如亞太地區(qū)的許多銀行協(xié)會，他們會定期分享他們感知到的威脅情報，并和行業(yè)分享應對舉措。對金融機構(gòu)來說，你得到的情報越多越準確，就越有可能在風險防控中領(lǐng)先于黑灰產(chǎn)。

金融風險決策是一個不斷對抗升級的過程，從單一事件和孤立行為來分析無法獲得準確決策。隨著大規(guī)模圖計算技術(shù)的發(fā)展，風險防控將從單一時間切片的圖數(shù)據(jù)，走向基于時序的圖數(shù)據(jù)，該防控方式將有效沉淀如賬戶盜用、電信網(wǎng)絡(luò)詐騙、套利等風險特征，通過知識表征推理發(fā)現(xiàn)更多稀薄關(guān)系和隱藏風險，結(jié)合規(guī)則推理、規(guī)則挖掘與規(guī)則學習挖掘更多風險模式并有效泛化，讓風險知識和實時交易事件聯(lián)動實現(xiàn)動態(tài)圖推理，形成全局的洞察，構(gòu)建實時監(jiān)控體系。

基于大規(guī)模圖技術(shù)的全圖風控能夠支持千億級的金融風險知識圖譜，進而為管理者們提供全面、可見、動態(tài)、實時的交易風險概覽，使他們能夠監(jiān)測風險并及時決策。

交易和互動的數(shù)量、頻率都在急劇增長，隨之而來的是數(shù)據(jù)的激增，企業(yè)幾乎要被海量的數(shù)據(jù)所淹沒。此外，消費者設(shè)備、支付渠道、5G網(wǎng)絡(luò)、物聯(lián)網(wǎng)等也在不斷產(chǎn)生新的數(shù)據(jù)。現(xiàn)在，企業(yè)所面臨的挑戰(zhàn)是通過分析從不同來源（結(jié)構(gòu)化和非結(jié)構(gòu)化）收集到的數(shù)據(jù)，從而發(fā)現(xiàn)欺詐的線索。

然而，生成的大量數(shù)據(jù)可能會使存儲和處理的環(huán)節(jié)負擔過重，進而讓不法分子有機可乘，組織比如跨境洗錢、非法交易等網(wǎng)絡(luò)犯罪。一旦處理和分析數(shù)據(jù)的機制存在缺陷的話，那么虛假交易的中間人就很可能“隱身”其中，為了能夠?qū)崟r、準確地檢測到欺詐行為，只有將傳統(tǒng)的架構(gòu)轉(zhuǎn)為云計算和多節(jié)點高效算力體系，才能利用更高的計算效率來支撐人工智能/機器學習的計算需求。

欺詐檢測的實效性對金融機構(gòu)來說至關(guān)重要，分析決策環(huán)節(jié)的每一秒延時都會降低用戶體驗，也讓金融機構(gòu)和用戶增加一份資損的風險。在登錄、交易支付、驗證檢查或用戶驗證等環(huán)節(jié)，實時決策的能力有賴于風險情報的收集和風控系統(tǒng)強大的分析和計算能力，而如何解決大規(guī)模風險數(shù)據(jù)計算中的耗時問題是行業(yè)面臨的一大挑戰(zhàn)。極速風控通過預測的方式將風險識別和風險決策進行解耦，通過提前風險計算，提高決策時的風險判斷效率，實現(xiàn)毫秒級的實時風險決策。

傳統(tǒng)的風險管理解決方案大都是被動的“事后應對”：即在不利事件發(fā)生后，基于已有信息做出判斷，采取保護性行動，以便之后能夠及時應對類似的攻擊。但這還遠遠不夠，尤其是面對技術(shù)越來越好、作案手段不斷演進的欺詐團伙。

隨著人工智能及其相關(guān)技術(shù)的發(fā)展，企業(yè)主動應對潛在的風險變得可能，例如通過主動和用戶產(chǎn)生交互，來獲得更多的風險信息，幫助平臺做更好的風險判斷，同時給到用戶更好的安全服務。以本人授權(quán)的被詐騙支付為例，傳統(tǒng)的風險管理系統(tǒng)僅能在檢測到風險后限制或凍結(jié)交易；而現(xiàn)在，系統(tǒng)能夠在發(fā)現(xiàn)潛在風險后，以圖文提示、電話等多模態(tài)交互方式進一步確認風險，提醒用戶主動意識到欺詐風險。

隨著企業(yè)越來越重視隱私保護和用戶體驗，傳統(tǒng)的風險防控將面臨全新的挑戰(zhàn)，為了應對隱私保護和用戶體驗的挑戰(zhàn)，端云協(xié)同的方案應運而生。受海量流媒體數(shù)據(jù)的驅(qū)動，企業(yè)需要讓數(shù)據(jù)處理環(huán)節(jié)更靠近數(shù)據(jù)的來源，以進一步降低延遲、加快決策，減少個人數(shù)據(jù)的傳輸。通過端云協(xié)同的風控方案，企業(yè)可以讓隱私數(shù)據(jù)計算在用戶智能終端（如手機）中進行，將不含隱私信息的決策結(jié)果輸送到云端，以實現(xiàn)“端云協(xié)同”的風控保障。

數(shù)字化世界愈加互聯(lián)互通，但很多時候，即使一家公司內(nèi)的風險數(shù)據(jù)都沒有被整合，更不用說行業(yè)間風險數(shù)據(jù)的互聯(lián)互通。基于此，多方風控技術(shù)已在廣泛試點使用，不但讓多方在共同應對欺詐時實現(xiàn)數(shù)據(jù)、模型和分析結(jié)果的共享，而無需犧牲數(shù)據(jù)隱私或數(shù)據(jù)集的質(zhì)量。

有了這一更高效的協(xié)作方式，多方均可提升自身在鑒別和應對風險方面的能力。多方風控主要由區(qū)塊鏈及隱私計算技術(shù)支撐，比如可信執(zhí)行環(huán)境（TEE）， 多方安全計算和聯(lián)邦學習，使得不同的機構(gòu)能夠在數(shù)據(jù)隱私得到極好保護的前提下進行風險數(shù)據(jù)共享，甚至聯(lián)合建模。因此，為應對連通性風險，各商家、銀行和第三方支付機構(gòu)之間的“互聯(lián)互通”十分必要，同時，還須保證這種“互聯(lián)互通” 的安全性。

人工智能（AI）的應用是風險管理中出現(xiàn)的新常態(tài)。但是，AI不僅僅可以為好人所用，也可以被黑灰產(chǎn)作為突破口，或者攻擊武器。由于風險防控是一場和犯罪團伙的競速賽，企業(yè)必須開始考慮他們以人工智能驅(qū)動的風險防控系統(tǒng)是否足夠穩(wěn)健、可靠，能夠扛得住黑灰產(chǎn)的攻擊。

這時對抗智能就變得尤為重要，它建立在經(jīng)濟學的博弈論框架之上，通過模擬攻擊者和防御者之間的沖突，讓機器自動且實時、動態(tài)地對自身系統(tǒng)進行安全性攻擊，從而提升模型能力，使模型更加魯棒（robust），處理結(jié)果更加準確。先進的欺詐管理解決方案已經(jīng)采用了對抗智能技術(shù)，以提升人工智能模型的穩(wěn)健性，此涉及的技術(shù)很多，包括像防御性的對抗性權(quán)重擾動（AWP）、投影梯度下降（PGD）等概念和技術(shù)。

在智能數(shù)字化服務中，我們必須盡可能地嚴格看待人工智能/ 機器學習模型所做出的決策。如果人工智能/ 機器學習的決策是基于不完整、低質(zhì)量、非客觀的數(shù)據(jù)集，通過錯誤的建模方式和錯誤的變量集而做出的，在未來可能會引發(fā)了諸多爭議。

因此，企業(yè)應當建立一個值得信賴、可靠且可追溯的AI安全框架，來更好地管理AI相關(guān)風險。盡管AI構(gòu)成了應對復雜欺詐案件的解決方案，但如果沒有恰當?shù)腁I治理框架，AI也可能會影響用戶體驗甚至是破壞品牌聲譽。AI模型的安全性也需要保護，因為它們也可能會被那些有技術(shù)團隊的專業(yè)作案團伙所破壞。

金融機構(gòu)在行為分析方面的投資正在逐年增加，以提升其分析客戶資料、互動模式和交易數(shù)據(jù)的能力，此外，行為分析還能幫助銀行發(fā)現(xiàn)可疑活動，檢測和預防欺詐。

多年以來，在IT安全市場上，人們都是在不利事件發(fā)生后才想起這一能力，因而直到現(xiàn)在，UBA的相關(guān)投資仍相對缺乏；但是，未來對UBA的投資估計不會小。當然，分析的本質(zhì)決定了對其投入的時間越多，效率越會提升。要想實現(xiàn)有效的UBA，需要花費大量的時間并進行多次的細微調(diào)整，同時還需制定一條恰當?shù)穆肪€圖。隨著時間的推移，企業(yè)使用UBA會愈加成熟，逐漸形成自己的反饋回路并獲得一系列的結(jié)果，根據(jù)這些結(jié)果，他們可以再進行建模。

具體內(nèi)容如下