标签:业务 人工 国际 水平 互联网产品 科技公司 关系图 就会 位置
https://mp.weixin.qq.com/s/JPV5EHKjcwSuNist-QZUqwBy 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...
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?
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
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。
标签:业务 人工 国际 水平 互联网产品 科技公司 关系图 就会 位置
原文地址:https://blog.51cto.com/14929242/2535297