互联网明星公司参与洗钱，黑产屡禁不止作何解？
By 超神经
场景描述：差评团队在昨日爆料：有网上博彩团伙，利用拼多多作为支付渠道进入洗钱。引发了大量的网络关注，目前事件未有定论。支付手段的升级，让洗钱也早已我们再黑帮片里看到的交易，而是随着科技进步与时俱进。不过同时，机器学习带来了更好的检测和打击手段，应对网络洗钱这一非法操作。
关键词：反洗钱 半监督学习 金融大数据
前天，公众号平台「差评」发布了一篇文章，引发了一场不小的风波。
点击图片跳转查看原文
在这篇叫「拼多多店铺沦为博彩网站洗钱平台，单店日洗钱 50 万」的文章里，差评团队无意中发现：拼多多平台上的一些商铺，竟然挂羊头卖狗肉，打着虚拟货币充值的名号，暗地里却是博彩网站收款的支付通道。
原来，差评团队想对网络博彩这一灰产做调研，但是他们在对博彩网站进行充值测试时，发现博彩网站的付款界面，竟然自行跳转到了拼多多的付款页，最后以某虚拟产品的订单形式成交，赌资就变成交易额，堂而皇之地完成了「洗钱」。
文中发起付款后，找不到订单
在他们的查证中发现：拼多多因为店铺审核门槛不高，充当着洗钱功能的网店不在少数，其背后的资金流也大的惊人，甚至能达到单日交易量 50 万元。
而拼多多平台，却不知出于原因，并没有进行监管。
这个爆料一出，拼多多就坐不住了。
很快他们就发布了声明，称文章为虚假不实信息，将以造谣诽谤对差评团队发起起诉，赔偿金额高达 1000 万人民币。
差评立马呛声拼多多，明明自己的监管不严，却还要追责报道出来的媒体。目前该事件还在发酵之中...
洗钱与反洗钱的猫鼠游戏
赌博的危害自不用多提。
随着时代发展，赌博也开拓了线上业务，成为了网络灰色产业中，非常重要的组成部分。各种网络支付手段的普及，让本来隐藏在互联网中的赌博，更是用尽各种办法，提高自己的产品体验，吸引更多的用户。
苹果 iCloud 用户经常收到：网络赌场的垃圾营销信息
此次被爆出的拼多多事件，如果被坐实，这个因漏洞导致出洗钱渠道的问题，他们估计难辞其咎。
虽然，随着法律法规的完善，许多渠道都被监管甚至取缔。但是总有空子可以钻，帮助赌场洗钱，把更多赌资和庄家的收入合法化，就成了那些网络黑手的发财之道。
洗钱一词的来源为二十世纪初，在芝加哥当地有一个庞大的犯罪集团，头目是一位叫 Alphonse Gabriel Capone 的黑帮老大，他们有着大量各种非法渠道获得的现金，却不敢存入银行。
该犯罪集团的财务总监，买来大量投币式洗衣机，做起洗衣生意。每晚计算当天收入时，把赃款加入其中，再向税务部门报税。这样一来，扣去应缴税款，剩下非法钱财就成了合法收入。
后来这种将通过运作，把来源不正当的金钱合法化的方式被称为「洗钱」。
洗钱 Money-laundering 一词的来源，的确跟洗有关
全球范围内的违法洗钱活动，数额之大，甚至约占全球 GDP 的 2% 至 5% ，约是每年 8000 亿美金，而且随着现代技术的发展，洗钱的渠道越来越丰富，也越来越难以发现。
针对日益复杂的洗钱方式，国际上提出了基于风险的反洗钱联防联控监管措施。和主流的监管方式一样，主要还是基于规则和特征的可疑交易识别。这样需要大量的人工，而且效果不佳。
根据欧洲刑警组织的一份报告，在金融服务机构提交的可疑交易报告中，约有 10% 会还需当局进一步的调查。
那么面对反洗钱的困境，人工智能会带来哪些改变呢？
机器学习如何帮助反洗钱
反洗钱的核心是，做好用户识别：一是客户身份识别，二是资金来源及去向识别，以判断资金交易与客户属性等特征是否匹配等。
反洗钱中，针对海量数据处理难、可疑交易判断难的问题，机器学习等技术的引入，会带来新的转机。
在一些案例中，机器学习方法，被用来学习资深反洗钱专家的判断模式，对可疑的案例进行等级分类和排序上报，大大的减少筛查的基数，实现高效的人机协作。
先对百万级别的数据进行多特征维度的分析，再通过机器学习模型，实现了对可疑案宗的自动分类和排序。
所谓狡兔三窟，洗钱流程复杂也造成了案件侦破难度高
将反洗钱专家的经验，合并到机器学习系统中，能帮助系统自动调优和进化，经过短时间的训练和调优，机器学习系统能够接近资深反洗钱专家的水平，可以节省大量人力成本。
此外，半监督机器学习之类的技术，也大有可为。
比如用来识别复杂洗钱交易和地下钱庄，利用行为数据和少量特征标签，通过图分析、聚类、关联分析等技术手段识别异常交易和关系图谱。再结合专家的经验，有望揪出那些藏在暗处的洗钱组织。
而且算法模型运行越久，输入的案例越多，加上人为修正越多，其可疑交易的识别能力就越强，误判和漏判的概率就会变得越低。
中国面临的反洗钱压力，尤其大
中国社会被丰富的互联网产品改造得尤其深刻，作为目前全球移动交易最普及、最便捷、产业最成熟的国家。因为面临着十多亿人的交易流水，所以从中辨别可疑交易的压力也是最大的。
根据报道，国内一些领先的金融科技公司，通过机器学习模型方法，能够达到资深反洗钱专家 95% 的水平，减少人工审核 30% 的工作量，帮助对洗钱行为的有效把控。
在一家提供反洗钱服务的公司里，他们提供的方案是这样的：
增强源头的反欺诈识别：基于设备型号、行为特征、访问频率、地理位置等信息，进行风险识别，及时发现模拟器、刷机改机、团伙作弊等欺诈行为。
建立更立体的用户画像：通过账户的关联信息、以及信贷申请、日常存贷、资金交易、设备登录等数据，利用关联网络技术，构建出用户的关系图谱，勾勒出用户的个体特征，建立起立体的画像。
监测异常资金交易：基于业务数据，通过对关联关系图谱中，包含的资金交易数据的挖掘，借助于规则或模型，识别图谱中异常的资金交易行为和异常交易团体。
精准定位洗钱账号：基于深度学习的关联关系图谱技术，通过助力金融机构梳理并构建零售客户关联关系图谱，扩展风险防控的视角和手段，并构建一套完整的基于关联关系图谱的洗钱账户识别机制。
而这也几乎是 AI 技术加持下，反洗钱技术的常规流程。
蚂蚁金服的反洗钱解决方案
灰产监管的缺失，谁之过？
虽然在很多公司的报道中，都提到了 AI 用来打击反洗钱，但必须要承认的是，目前 AI 主要使用归纳、综合而不是演绎来分析问题。
所以在目前的用中，被强调最多的词，是数据监控，减少人力之类。
虽然说 AI 被用于反洗钱是一个必然的趋势，但反洗钱系统的开发和部署，还在成长之中，行业内专家的介入还是很重要的一个因素。
机器学习等技术，必须依赖大量的数据训练，掌握出洗钱方式的一些规律，从而提供更全面安全的监管和决策，也许，这项技术的成熟，会发生在不远的将来。
找出可疑交易只是反洗钱的第一步，
想将背后的犯罪分子绳之以法，还有很长的路要走
回到拼多多事件，目前除了差评这家自媒体，还没有任何官方的调查报道，所以对于他们究竟是不是在洗钱，也还有待定论。
正如差评团队所说，
「这篇报道不是想搞死哪个平台，而是想要一起去搞死博彩那些黑产。」
我们也是一样，愿更多的人工智能技术，能够不仅帮助我们生活更便利，也能让生活更纯净。
超神经小百科
半监督学习 Semi-Supervised Learning
介于监督学习和无监督学习之间的学习技术。它同时利用有标记样本与无标记样本进行学习。
半监督学习是让让学习器不依赖外界交互，自动地利用未标记样本来提升学习性能。
常见的两种半监督学习假设
一类是「聚类假设」（ cluster assumption ），即假设数据存在簇 结构 ，同一个簇样本属于同一个类别。
另一类是「流形假设 」（ manifold assumption ），即假设数据分布在一个流形结构上，邻近的样本拥有相似的输出值。
历史文章（点击图片阅读）
为了这篇文章，
他们派 AI 机器人观摩了 3 天黄色网站
本届戛纳最佳编剧——得主依然是人类
神剧《切尔诺贝利》引发的技术思考：
如何避免下一次核灾难？
AI 百科
教程
数据集
商店
更多
http://hyper.ai