专题|维护电商平台信息真实和竞争公平《人工智能治理与可持续发展实践白皮书》
维护电商平台信息真实和竞争公平
伴随电商平台的快速成长,包含虚假交易、刷单炒信、虚假评价、风险流量在内的一系列作弊手段和风险行为成为电商生态所面临的重要威胁,成为影响电商环境真实公平的一大问题。为了维护商家的正当利益、保障广大消费者的合法权益,电商平台需要对作弊行为进行有力的感知识别,在博弈的过程中也需要不断克服各种挑战:
01 黑产恶意对抗
随着平台反作弊算法能力的升级和管控的深入,黑产分子的行为模式也在循序演进,并且不再机械单一。不法分子通过对动作添加一些噪声扰动,从而规避风险识别模型,例如:刷单过程也往往进行货比三家、嫌疑用户也在刻意增加页面停留时长等。这些黑产对抗行为对反作弊识别模型的鲁棒性提出了更加严苛的要求。
02 作弊行为越发隐蔽
总体而言,反作弊动态攻防的特点日益突出,电商黑产也朝向高度规模化、组织化、技术化的方向发展。
2.淘宝针对电商场景下作弊行为的治理实践
针对当前黑产作弊手段和发展趋势,亟需构建大规模、专业化、强鲁棒、可解释的电商反作弊风控平台,助力维护公平的电商生态。
淘宝基于电商场景行为风险重点建设了AutoRisk行为风控引擎,主要包括主动发现、风险提纯、风险认知和解释三个环节。在识别能力鲁棒性与隐蔽性团伙发现能力上得到显著提升,并引入自监督异常发现算法大规模应用于未知模式攻击检测领域。同时根据业务特性,对于交易前-中-后全链路风险进行提前研判和实时化风险预测,全面应用于淘宝电商场景反作弊风控,实现了在异常主动发现和风险提前防控方面的突破。
2)对抗训练提升模型鲁棒性
通过对抗训练的方式提升在噪声干扰下的模型鲁棒性,从而削弱或者消除这些扰动对模型准度的影响。在添加对抗样本时需要着重考虑以下几个因素:i)有效性:添加的对抗样本能够有效地对样本进行扰动;ii)高效性:生成对抗样本的过程应该是高效的,能够在线性时间内完成,并在对抗特征生成上快速实现;iii)可行性:添加对抗样本的方式在现实中必须是黑产可操作的,否则对抗训练样本将与实际不符,不但无法加强模型的鲁棒性,反而会损害模型性能。经过对抗训练的模型在初始样本集和对抗样本集中都展现出了较好的效能。
淘宝也借助此能力协助司法机关对刷单炒信行为进行有力打击,实现全社会范围内的法治提升。例如刷单治理的相关工作推动“全国首例电商平台打假案判决”、“全国首例组织刷单入刑案判决”,被《法制日报》和法制网评选入“2017年推动互联网法治进程十大事件”。
我们将持续更新,敬请期待😚~关注【AAIG】公众号,回复「 白皮书 」一键下载全文👇
● 专题|构造多方收益的信息流推荐系统《人工智能治理与可持续发展实践白皮书》
● AAIG成立一周年!砥砺前行,谱写新时代的科技之歌~请查收这份最新的自我介绍
● AI治理必修第14刊|AI画作获奖,但惹了众怒!英伟达、AMD恐断供高端GPU,中国AI计算或需另起炉灶!
● 听委员说|AAIG薛晖出席杭州市"两会",提出加快建立人工智能产业的多元协同治理机制
● 如何构建企业数据管理体系?AI产品出海有哪些数据风险?浅谈AI数据合规与风险防范实践(下)
● “算法偏见”是概念炒作吗?「这个AI不太冷」第3期带你揭秘现实AI!
更多人工智能治理和可持续发展好文点击下方名片关注和星标【阿里巴巴人工智能治理与可持续发展研究中心】👇AAIG课代表,获取最新动态就找她