美國運通使用AI技術檢測欺詐行爲 加強安全性

多年以來，美國運通一直是人工智能與認知技術領域的領導者。做爲坐擁有龐大忠實客戶羣體的全球金融服務機構，保障客戶帳戶安全一直是運通職能的重中之重。在很長一段時間裏，發現並制止欺詐行爲一直是美國運通公司的首要任務。而人工智能在近年來的快速發展，則真正將運通的欺詐檢測能力推向新的高度。

Rajat Jain, American Express美國運能公司欺詐與風險管理副總裁

近期，美國運通公司身份與認證策略全球負責人Rajat Jain分享瞭如何成功運用機器學習技術檢測並發現欺詐行爲，如何利用AI與機器學習提高運通公司的總體客戶體驗，包括AI技術採用方面的一系列重要洞見。在本次訪談中，他分享了美國運通在AI及機器學習(ML)應用方法方面的觀點，介紹了運通在欺詐檢測方面的領先優點，同時講解了運通公司在人工智能技術應用方面的幾點重要思路。

美國運通在各種流程當中應用AI與機器學習技術的歷史有多長?

Rajat Jain: 能夠說是歷史悠久了。美國運通的領導層很早就意識到數據分析與技術的做用與價值，這也推進咱們在風險、市場營銷以及服務領域積極推動機器學習轉型。2010年，咱們開始研究機器學習技術，並着手評估其在覈心業務流程中的潛力，包括信用風險分析與欺詐檢測。2014年，咱們實現了機器學習模型的首輪大規模應用，藉此實現欺詐檢測。與以前的非機器學習模型相比，咱們的檢測效率即刻提高達30%。

根據尼爾森報告(The Nilson Report)，咱們在消除欺詐方面付出的不懈努力，幫助運通公司連續13年保持着業界最低的欺詐率——實際上，咱們的損失率僅爲其餘主要支付網絡的一半。

美國運通是如何使用先進機器學習技術進行欺詐檢測的?

Rajat Jain: 咱們努力使用最新、最早進的機器學習技術保護咱們的支付卡會員及商戶免受欺詐活動影響。咱們的機器學習算法實時監控全球每一筆運通卡交易——年交易總額超過1.2萬億美圓。更重要的是，咱們可以在幾毫秒以內快速作出欺詐判斷。咱們用於監控欺詐活動的一項核心技術正是有序RNN。經過對數據進行有序分析，咱們得以瞭解各項交易之間的關係，從而更快識別出無心義支出——或者按咱們的話說，「異常」支出。簡而言之，若是某位客戶上午10：00在紐約買了一杯咖啡，但在10：05就在洛杉磯郊外給車子加油，那咱們就會當即判斷出其支付卡已經被盜用。

AI與機器學習技術，同以往的欺詐及風險管理方法有何不一樣?

Rajat Jain: 數十年以來，金融服務企業一直在採用各類最早進的新興分析方法，藉此保護客戶的我的與帳戶信息。而這一切，都是爲了可以與行動一樣迅速的欺詐分子比拼速度。在我看來，目前金融行業阻止欺詐活動的真正突破性進展，就在於機器學習技術。與以往的邏輯迴歸模型相比，機器學習具備三大核心優點，具體包括：

· 更高效地捕捉非線性趨勢與變量之間的相互做用，藉此提升檢測準確率。

· 快速部署單一全局構建解決方案，以敏捷方式捕捉跨越多個地理區域的趨勢。

· 提高團隊業務吞吐量，幫助他們將更多精力投入到更重要的數據科學議題當中。

AI與機器學習是如何加強美國運通的總體客戶體驗的?

Rajat Jain: 美國運通的機器學習創新正引領新一波非技術性應用優化，即創造出世界一流的客戶服務體驗。擁有支付卡的會員無疑是咱們最爲關注的寶貴財富，而保持更低的欺詐率則是鞏固會員信任、挽留用戶羣體的核心前提。每一年都有成千上萬的數據點與數十億項決策涌入同一套系統，這套系統則爲消費者及企業提供當今世界上最重要的服務——安全的支付通道、更快的決策速度、實時客戶溝通以及世界頂尖的欺詐保護與處理方案。

您如何看待AI與機器學習技術對於總體客戶體驗的影響?

Rajat Jain: 最重要的是如何將數據中的各個點鏈接起來，只有實現這項目標，咱們纔有可能爲客戶帶來世界頂尖的平常使用體驗。結合當下背景，這意味着咱們須要向客戶證實咱們認識他們、瞭解他們的需求，並且有能力在每一次數字交互中爲他們提供須要的支持。例如，咱們使用機器學習技術檢測欺詐活動，然後將實時數字通知交付至支付卡的註冊者處。經過這些警報(經過電子郵件、短信以及移動應用的實時推送)，咱們幫助持卡會員更輕鬆地監控本身帳戶可能遭遇的欺詐活動。

您可否分享一點關於美國運通在AI技術應用方面的一些有趣，或者說使人驚訝的故事?

Rajat Jain: 美國運通的數據科學團隊由一大批擁有碩士及博士學位的數據科學家們組成。他們永不知足於現狀，他們不斷提高本身的技能。在數據科學這個不斷髮展的領域，咱們意識到得到成功的惟一途徑就是不斷學習並嘗試新興技術。團隊會按期評估現有模型的優缺點，並找到切實知足客戶需求的創新方法。實際上，咱們計劃在下個月發佈X世代欺詐模型，將採用咱們的最新創新技術捕捉更多欺詐行爲。

您認爲對於銀行業務流程來講，目前最大的AI與機器學習應用限制是什麼?

Rajat Jain: 咱們所作的一切，都是爲客戶服務並獲得他們的確定與支持。對咱們來講，將機器學習引入銀行流程的最大限制，實際在於如何證實這種新的分析技術可否真的能夠幫助咱們表明全球無數客戶達成承諾的使命。雖然最新的數據科學研究與進步確實使人興奮，但這一切只是理論方案與學術研究。咱們在現實世界中的運做及決策，則會影響到每一位持卡會員的帳戶安全性。所以在應用一種新型AI技術以前 ，咱們必須明確其可以在生產環境中實現並帶來客戶所指望的結果。

您可否跟咱們聊聊在構建ML模型的過程當中，運通公司須要着重考量數據中的哪些因素?

Rajat Jain: 咱們總會強調，各類機器學習模型之間存在着很大差別，而咱們的模型之因此不同凡響，靠的就是咱們使用的數據。做爲髮卡行、商戶收單行以及網絡運營商，美國運通在整個支付鏈中創建起龐大的全球業務體系。這套「閉環網絡」將大規模數據集與咱們訓練有素的專業知識專家及頂尖機器學習算法相結合，幫助運通公司創建起打擊欺詐行爲方面的強大優點。咱們能夠查看來自商家與持卡會員的大量數據，保證比其餘網絡及髮卡機構更快採起行動，搶在欺詐行爲實際發生以前將其發現並加以阻止。

在構建機器學習模型方面，美國運通是如何保障客戶隱私與數據隱私的?

Rajat Jain: 美國運通深入理解保持消費者信任的重要意義，並且對數據隱私及安全性有着堅決而長期的承諾。咱們將根據數據保護及隱私原則，以及具備實際約束力的內部規定及適用法律，經過合同及其餘政策性要求保護我的數據。

將來幾年，您對哪些AI技術最爲期待?

Rajat Jain: 歸納來說，我認爲在使用有序數據集進行預測方面，咱們纔剛剛起步。人工智能還沒法經過有序預測有效將一系列事件聯繫起來，所以咱們期待可以在這一領域迎來突破性進展，最終持續改善客戶體驗。至於在將來幾年的欺詐行爲打擊方面，咱們將繼續評估新興技術並應用切實有效的技術方案，努力加強自身主動與被動防護措施，藉此更好地應對種種新的威脅。

【編輯推薦】

1. 亞馬遜雲服務（AWS）中國與畢馬威中國創建戰略合做夥伴關係

2. Java老師告訴你：程序員小白常犯的錯誤及規避之道

3. 2020 AWS技術峯會和合做夥伴峯會線上舉行 攜手合做夥伴 聚焦行業數字化轉型和創新

4. 長江存儲致鈦系列固態硬盤正式發佈：釋放3D NAND閃存潛能

5. 爲何你總是講不清楚js的繼承模式

【責任編輯：龐桂玉 TEL：（010）68476606】