多年以來，美國運通一直是人工智能與認知技術(shù)領(lǐng)域的領(lǐng)導(dǎo)者。作為坐擁有龐大忠實客戶群體的全球金融服務(wù)機構(gòu)，保障客戶賬戶安全一直是運通職能的重中之重。在很長一段時間里，發(fā)現(xiàn)并制止欺詐行為一直是美國運通公司的首要任務(wù)。而人工智能在近年來的快速發(fā)展，則真正將運通的欺詐檢測能力推向新的高度。

近期，美國運通公司身份與認證策略全球負責人Rajat Jain分享了如何成功運用機器學(xué)習(xí)技術(shù)檢測并發(fā)現(xiàn)欺詐行為，如何利用AI與機器學(xué)習(xí)提升運通公司的整體客戶體驗，包括AI技術(shù)采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(xué)習(xí)（ML）應(yīng)用方法方面的觀點，介紹了運通在欺詐檢測方面的領(lǐng)先優(yōu)勢，同時講解了運通公司在人工智能技術(shù)應(yīng)用方面的幾點重要思路。

美國運通在各類流程當中應(yīng)用AI與機器學(xué)習(xí)技術(shù)的歷史有多長？

Rajat Jain： 可以說是歷史悠久了。美國運通的領(lǐng)導(dǎo)層很早就意識到數(shù)據(jù)分析與技術(shù)的作用與價值，這也推動我們在風險、市場營銷以及服務(wù)領(lǐng)域積極推進機器學(xué)習(xí)轉(zhuǎn)型。2010年，我們開始研究機器學(xué)習(xí)技術(shù)，并著手評估其在核心業(yè)務(wù)流程中的潛力，包括信用風險分析與欺詐檢測。2014年，我們實現(xiàn)了機器學(xué)習(xí)模型的首輪大規(guī)模應(yīng)用，借此實現(xiàn)欺詐檢測。與之前的非機器學(xué)習(xí)模型相比，我們的檢測效率即刻提升達30%。

根據(jù)尼爾森報告（The Nilson Report），我們在消除欺詐方面付出的不懈努力，幫助運通公司連續(xù)13年保持著業(yè)界最低的欺詐率——實際上，我們的損失率僅為其他主要支付網(wǎng)絡(luò)的一半。

美國運通是如何使用先進機器學(xué)習(xí)技術(shù)進行欺詐檢測的？

Rajat Jain： 我們努力使用最新、最先進的機器學(xué)習(xí)技術(shù)保護我們的支付卡會員及商戶免受欺詐活動影響。我們的機器學(xué)習(xí)算法實時監(jiān)控全球每一筆運通卡交易——年交易總額超過1.2萬億美元。更重要的是，我們能夠在幾毫秒之內(nèi)快速做出欺詐判斷。我們用于監(jiān)控欺詐活動的一項核心技術(shù)正是有序RNN。通過對數(shù)據(jù)進行有序分析，我們得以了解各項交易之間的關(guān)系，從而更快識別出無意義支出——或者按我們的話說，“異常”支出。簡而言之，如果某位客戶上午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，那我們就會立即判斷出其支付卡已經(jīng)被盜用。

AI與機器學(xué)習(xí)技術(shù)，同以往的欺詐及風險管理方法有何不同？

Rajat Jain： 數(shù)十年以來，金融服務(wù)企業(yè)一直在采用各種最先進的新興分析方法，借此保護客戶的個人與賬戶信息。而這一切，都是為了能夠與行動同樣迅速的欺詐分子比拼速度。在我看來，目前金融行業(yè)阻止欺詐活動的真正突破性進展，就在于機器學(xué)習(xí)技術(shù)。與以往的邏輯回歸模型相比，機器學(xué)習(xí)具有三大核心優(yōu)勢，具體包括：

· 更高效地捕捉非線性趨勢與變量之間的相互作用，借此提高檢測準確率。

· 快速部署單一全局構(gòu)建解決方案，以敏捷方式捕捉跨越多個地理區(qū)域的趨勢。

· 提升團隊業(yè)務(wù)吞吐量，幫助他們將更多精力投入到更重要的數(shù)據(jù)科學(xué)議題當中。

AI與機器學(xué)習(xí)是如何增強美國運通的整體客戶體驗的？

Rajat Jain： 美國運通的機器學(xué)習(xí)創(chuàng)新正引領(lǐng)新一波非技術(shù)性應(yīng)用優(yōu)化，即創(chuàng)造出世界一流的客戶服務(wù)體驗。擁有支付卡的會員無疑是我們最為關(guān)注的寶貴財富，而保持更低的欺詐率則是鞏固會員信任、挽留用戶群體的核心前提。每年都有成千上萬的數(shù)據(jù)點與數(shù)十億項決策涌入同一套系統(tǒng)，這套系統(tǒng)則為消費者及企業(yè)提供當今世界上最重要的服務(wù)——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(xué)習(xí)技術(shù)對于整體客戶體驗的影響？

Rajat Jain： 最重要的是如何將數(shù)據(jù)中的各個點連接起來，只有實現(xiàn)這項目標，我們才有可能為客戶帶來世界頂尖的日常使用體驗。結(jié)合當下背景，這意味著我們需要向客戶證明我們認識他們、了解他們的需求，而且有能力在每一次數(shù)字交互中為他們提供需要的支持。例如，我們使用機器學(xué)習(xí)技術(shù)檢測欺詐活動，而后將實時數(shù)字通知交付至支付卡的注冊者處。通過這些警報（通過電子郵件、短信以及移動應(yīng)用的實時推送），我們幫助持卡會員更輕松地監(jiān)控自己賬戶可能遭遇的欺詐活動。

您能否分享一點關(guān)于美國運通在AI技術(shù)應(yīng)用方面的一些有趣，或者說令人驚訝的故事？

Rajat Jain： 美國運通的數(shù)據(jù)科學(xué)團隊由一大批擁有碩士及博士學(xué)位的數(shù)據(jù)科學(xué)家們組成。他們永不滿足于現(xiàn)狀，他們不斷提升自己的技能。在數(shù)據(jù)科學(xué)這個不斷發(fā)展的領(lǐng)域，我們意識到獲得成功的唯一途徑就是不斷學(xué)習(xí)并嘗試新興技術(shù)。團隊會定期評估現(xiàn)有模型的優(yōu)缺點，并找到切實滿足客戶需求的創(chuàng)新方法。實際上，我們計劃在下個月發(fā)布X世代欺詐模型，將采用我們的最新創(chuàng)新技術(shù)捕捉更多欺詐行為。

您認為對于銀行業(yè)務(wù)流程來說，目前最大的AI與機器學(xué)習(xí)應(yīng)用限制是什么？

Rajat Jain： 我們所做的一切，都是為客戶服務(wù)并得到他們的肯定與支持。對我們來說，將機器學(xué)習(xí)引入銀行流程的最大限制，實際在于如何證明這種新的分析技術(shù)能否真的可以幫助我們代表全球無數(shù)客戶達成承諾的使命。雖然最新的數(shù)據(jù)科學(xué)研究與進步確實令人興奮，但這一切只是理論方案與學(xué)術(shù)研究。我們在現(xiàn)實世界中的運作及決策，則會影響到每一位持卡會員的賬戶安全性。因此在應(yīng)用一種新型AI技術(shù)之前 ，我們必須明確其能夠在生產(chǎn)環(huán)境中實現(xiàn)并帶來客戶所期望的結(jié)果。

您能否跟我們聊聊在構(gòu)建ML模型的過程中，運通公司需要著重考量數(shù)據(jù)中的哪些因素？

Rajat Jain： 我們總會強調(diào)，各種機器學(xué)習(xí)模型之間存在著很大差異，而我們的模型之所以與眾不同，靠的就是我們使用的數(shù)據(jù)。作為發(fā)卡行、商戶收單行以及網(wǎng)絡(luò)運營商，美國運通在整個支付鏈中建立起龐大的全球業(yè)務(wù)體系。這套“閉環(huán)網(wǎng)絡(luò)”將大規(guī)模數(shù)據(jù)集與我們訓(xùn)練有素的專業(yè)知識專家及頂尖機器學(xué)習(xí)算法相結(jié)合，幫助運通公司建立起打擊欺詐行為方面的強大優(yōu)勢。我們可以查看來自商家與持卡會員的大量數(shù)據(jù)，保證比其他網(wǎng)絡(luò)及發(fā)卡機構(gòu)更快采取行動，搶在欺詐行為實際發(fā)生之前將其發(fā)現(xiàn)并加以阻止。

在構(gòu)建機器學(xué)習(xí)模型方面，美國運通是如何保障客戶隱私與數(shù)據(jù)隱私的？

Rajat Jain： 美國運通深刻理解保持消費者信任的重要意義，而且對數(shù)據(jù)隱私及安全性有著堅定而長期的承諾。我們將根據(jù)數(shù)據(jù)保護及隱私原則，以及具有實際約束力的內(nèi)部規(guī)定及適用法律，通過合同及其他政策性要求保護個人數(shù)據(jù)。

未來幾年，您對哪些AI技術(shù)最為期待？

Rajat Jain： 概括來講，我認為在使用有序數(shù)據(jù)集進行預(yù)測方面，我們才剛剛起步。人工智能還無法通過有序預(yù)測有效將一系列事件聯(lián)系起來，因此我們期待能夠在這一領(lǐng)域迎來突破性進展，最終持續(xù)改善客戶體驗。至于在未來幾年的欺詐行為打擊方面，我們將繼續(xù)評估新興技術(shù)并應(yīng)用切實有效的技術(shù)方案，努力增強自身主動與被動防御措施，借此更好地應(yīng)對種種新的威脅。
責任編輯：tzh