人工智能的前夜：Sift science机器学习辅助人类识别 ∣ 笔记
英途说
2015年8月，英途邀请平安、宜信、玖富、景林等互联网金融领先公司到硅谷进行考察。一周时间，对话了近20家网贷、众筹、金融服务、移动支付和金融大数据等领域的创新企业，如LendingClub、Prosper、Sofi、Better Finance、Funding Circle、ZestFinance、Bitpay等。英途将陆续将这些宝贵考察笔记分享出来，供途粉们学习参考。
纯血统的互联网科技公司，随意朴素的着装、轻松灵活的办公氛围、简约造型的桌椅，就连它的创始人CEO Jason Tan也十分风趣幽默……这就是硅谷第七站，Sift science！
Jason Tan和他的大学室友一起创立了Sift Science。在来Sift Science之前，他曾担任过BuzzLabs的CTO，Optify的第一工程师和Zillow的早期工程师。
Sift Science的联合创始人 Brandon Ballinger之前在Google工作过四年，主要的工作就是防范大量的欺诈广告。在Sift Science的工程师中，有5个来自于Google，有两个来自于搜索部门，三个和Brandon Ballinger一起曾经在防范欺诈广告的团队工作过。
Sift science是一家用机器学习来优化网络欺诈检测和排查模型的反网络欺诈的公司，成立于2011年，目前员工47人，公司目前已经融资了2400万美元，拥有数千个全球客户，其中不乏世界领先品牌与Sift science合作来打击欺诈行为。
Sift science的客户非常广泛，各类都有，其技术可以应用到各个行业，这是机器学习的好处，机器学习可以适应各种行业。上图只是部分客户，但更多的客户不愿意被披露。
那么为什么要选择Sift science？
Sift science可以实时的学习，通过机器学习立刻识别出这种行为，从而可以制止更多的类似行为发生。机器学习不是几条信息，它使用大量的信息，像侦探一样汇集各类信息。
使用这样的海量数据，有些是具体行业才有的信息，Siftscience可以根据具体的行业的信息去发现是否是欺诈行为。有两个模型，一个是个性客户调整过的模型，另一个是标准模型（总模型）。如图所示：
上面方框代表标准模型，下面的小圈代表行业细分模型，这样做的目的是尽量避免误判。如果能够准确的判断，那么就可以快速准确的完成相关工作，从而增加用户体验，同时客户的用户也会越来越多。
自动化，减少人工审核。机器学习就是让机器通过过去的知识和经验像人脑工作的原理一样，能够做出判断。
通过机器学习帮助客户识别好的用户和欺诈行为的用户有何不同，从而帮助客户识别欺诈行为。SiftScience利用基于机器学习的大数据分析提供防范网络 欺诈的服务。它的服务主要面向网络交易市场，电子支付网络以及电子商务站点，这些也正是网络欺诈最泛滥的地方。其产品将API嵌入用户的网站，并运用机器 学习，不断完善辨识和屏蔽欺诈的技术。大体上，Sift提供服务的方式分为自动和手动两类。前者依靠技术系统自我辨别欺诈行为，后者则允许用户在控制板查看并手动管理监测情况。
举例来说，上述是个电商的例子，机器学习会看每一个信息，传统的反欺诈只看结算时的信息，Sift science分析一个用户的行为，甚至是在交易之前，这一点与传统完全不同。我们可以在结算之前就可以识别欺诈行为，更加积极主动。
Sift science的信息纬度比较全面，例如一个email的分析就有很多个分析点， 比如他们发现：用户电子邮件地址里的数字越多，越有可能出现欺诈行为。
如何帮助客户自动化？
传统欺诈解决方案的效率很低下，需要很多的人参与，手工进行干预，通过自动系统，可以把效率显著提高。很多工作是自动完成，对于正常用户来说体验更加自如，而有可以欺诈行为的客户则非常繁琐。
Siftscience的产品分为两个部分，一个是采集数据，另一个是数据输出。采集部分与Google数据采集是一致的。我们有一个api接口，计算api欺诈得分，客户可以接入这个接口安插在自己的某个节点上。
如上图所示，这是一个过滤过的一个数据，可以看到用户的详细信息，包括他们的各项用户行为，从而判断这个用户是否是真实的。
本文由英途途友玉器贷副总裁王金伟根据考察内容撰写