【金猿技术展】慧安金科反洗钱可疑案宗识别技术——自动全方位提取洗钱行为关联信号
慧安金科技术
大数据产业创新服务媒体
——聚焦数据 · 改变商业
慧安金科反洗钱可疑案宗识别技术能够自动全方位提取洗钱行为关联信号，对可疑案宗进行风险评级、排序和分类，并检测隐藏而狡猾的专业团伙洗钱作案，降低群体性攻击风险。目前，该技术可疑案宗检测准确率已达到资深反洗钱专家审核准确率的97%，并能发现未被传统规则识别的洗钱团伙，增强总行在反洗钱审核流程的把控能力，同时大幅减少因人工失误、人才流失等造成的合规风险。
机器学习(Machine Learning)是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习分为有监督学习、无监督学习和半监督学习。其中，有监督学习主要用于在数据标注比较丰富，数据表现明显，数据饱和度较高的可疑交易识别和筛选。无监督学习和半监督学习，主要用于数据标签较少，数据表现不明显，数据饱和度不高的复杂洗钱交易识别。
但在很多实际问题中，只有少量的带有标签的数据，因为对数据进行标记的代价有时很高，比如在银行交易中，认定为的风险账户非常少，同时需要花费业务专家大量的时间，而大量的未标记的数据却很多。然而对于许多实际问题和应用程序来说，没有足够的资源来创建足够大的标记数据集，这限制了深度学习技术的广泛采用。也正因为如此，从另一个角度来看，这就促使能同时利用标记样本和未标记样本的半监督机器学习技术迅速发展起来。
无监督和半监督学习应用过程中主要的技术手段是基于拓扑学的图分析和聚类，行业经验和对算法的深度理解对机器学习效果影响较大。半监督学习更适用于异常关联和异常交易识别，对黑产/灰产、地下经济犯罪、复杂网络洗钱具有较好的可识别性和可解释性。
半监督主动式机器学习可疑案宗识别模型，是在少量标签的场景下建模，使用海量的无标签账户数据，融合业务专家的知识和经验，充分利用行为数据和少量特征标签，通过图分析、聚类、分类等技术手段识别出状态和行为关联异常的团伙账户，综合团伙的异常性和标签的传播性进行分类和检测，将洗钱账户和正常账户分开，有效识别出复杂风险交易和犯罪集团。融合主动式迭代技术，能够不断学习新的核查反馈，对抗恶意对手的故意干扰，使得洗钱、欺诈分子对模型的规避变得困难和昂贵。在复杂洗钱交易网络和有组织洗钱犯罪领域，基于图分析、结合聚类及分类的半监督主动式机器学习正在成为探索技术之一。
●带队负责人：黄铃
黄铃，慧安金科创始人兼CEO。清华大学交叉信息研究院兼职教授。美国加州大学伯克利分校计算机科学博士，师从Anthony Joseph和Michael Jordan，从事机器学习算法研究以及计算机网络建模应用。曾任美国英特尔研究院资深科学家，和Intel McAfee开展多个合作项目，应用人工智能技术解决信息和数据安全问题，在人工智能、大数据分析和金融科技相关领域有近15年的研究和开发背景，在世界顶尖会议上发表近50篇论文，Google Scholar总引用已超过5000次。
●隶属机构：慧安金科
慧安金科（北京）科技有限公司（简称：慧安金科）成立于2017年，是一家为金融机构提供风控、监管和合规解决方案的人工智能技术创新企业，也是国内较早专注金融智能风控和监管科技的国家高新技术企业。
公司依托于在美国加州伯克利分析和清华大学十余年的机器学习算法理论研究和工程实践经验，以自主研发的主动式机器学习技术为核心，成功打造出一系列创新型AI产品和解决方案。并将专家经验与人工智能系统有机地融合，形成以客户场景和需求为导向的预测模型，主动识别用户行为和关联的异常，帮助机构主动应对日益变化的风险环境，实现全方位的智能风险监测、预警与防护，提升机构自主风险控制能力。
慧安金科拥有人工智能、大数据领域的科学家团队，具有自主知识产权的半监督主动式机器学习技术，能够将客户业务专家经验与自身模型专家经验相融合，并在此基础上搭建了自学习、自适应型机器学习建模平台，具备持续的创新能力和对未来的布局能力。创新工场希望，能够通过与慧安金科的合作，共同推动人工智能技术在金融风控和数字化运营领域的落地，赋能互联网、金融等行业。
——创新工场董事长兼 CEO 李开复
慧安金科的反洗钱技术改变了传统的以人工核查为主的事后风控模式，突破了防范银行卡犯罪领域主要依赖交易反洗钱模型的局限。其领先的机器学习技术与银行风控场景结合，将事后管控向事前转移，聚焦客户行为分析，创新性地探索在客户发生反洗钱交易前对风险客户实施预警和管控，降低银行合规风险的同时，大幅提升整体风险防控效率，筑牢银行风险防线。
——某股份制银行项目方
提示：了解更多相关内容，点击文末左下角“阅读原文”链接可直达该机构官网。
—— / END / ——
●《看过大佬们发的朋友圈之后，我相信：明天会更好，明年定会春暖花开》条漫
Go to "Discover" > "Top Stories" > "Wow"