21世紀經濟報道記者 陳植 上海報道
(資料圖片)
金融機構與黑產的信貸反欺詐對抗悄然升級。
隨著AI技術持續發展，越來越多金融機構發現在互聯網零售信貸風控場景里，假人假機、假人真機等欺詐行為日益增多。
比如黑產組織會通過腳本工具等技術發起惡意機器人流量，通過AI技術模擬大量“真人行為”，虛構大量符合信貸要求的“假人”以騙取信貸資金。
“目前，基于風控規則調整優化的傳統風控模型未必能有效防范這些AI模擬真人行為的信貸欺詐。”一家持牌消費金融機構風控部門人士告訴記者。具體而言，傳統的風控模型主要依托于歷史金融數據和專家經驗，呈現出“靜態模型+動態策略規則”的特征，即在風控模型框架整體不變的前提下，通過調整具體風控規則的閾值以降低欺詐風險。但是，AI模擬真人行為的信貸欺詐往往具有高度動態性與“千人千面”特點，導致傳統風控模型無法收集到足夠欺詐樣本梳理出相應的欺詐“破綻”，進而迅速采取遏制措施。
數據顯示，在零售信貸領域，欺詐在信貸逾期的占比達到40%-70%，眾多金融機構深受其害，遭遇不同程度的信貸損失。
為了遏制這種AI模擬真人欺詐行為，眾多金融科技平臺開始構建金融風控大模型，并提供基于MaaS(Model as a Service,模型即服務)的服務模式，助力金融機構提升風控建模的效率。
在前不久舉行的世界人工智能大會上，騰訊云發布行業大模型金融風控場景創新方案，將大模型技術引入反欺詐等金融風控場景。與此同時，其他金融科技平臺也在緊鑼密鼓地研發金融反欺詐風控大模型。
騰訊云天御首席科學家李超接受本報記者專訪時指出，金融風控大模型的主要特點，是將以往積累的多模態風控知識（包括海量跨場景的有標記樣本與眾多信貸場景定制風控模型），通過知識蒸餾方式提取出來，形成Foundation model，金融機構基于這個Foundation model，并根據特定信貸場景與信貸業務樣本特點，可自動生成自身業務專屬的反欺詐模型，助力金融機構更全面迅速地識別哪些信貸申請人可能存在假人真機、假人假機等各類欺詐風險。
他指出，原先的反欺詐風控，更多體現在“規則對抗”，即通過對歷史金融數據開展相對靜態的機器學習與深度學習，輔以可靈活調整的風控規則策略以對抗欺詐風險，其實質是用過去數據“預測”未來行為，但在AI模擬真人欺詐行為日益增多的情況下，上述反欺詐風控AI模型很可能逐步失效，因為AI模擬真人欺詐行為具有高度動態性且“千人千面”，令傳統風控模型無法及時收集分析更多歷史數據識別其欺詐做法破綻。
“事實上，隨著AI模擬真人欺詐行為的日益增多，金融反欺詐風控已從高度依賴專家經驗與歷史數據的規則對抗，轉向基于機器學習、人工智能開展動態風控管理的模型對抗。”李超坦言，所謂模型對抗，就是大模型通過持續迭代升級，時時收集分析各類最新的欺詐行為并動態生成新的反欺詐風控模型，快速完善金融機構現有的風控體系，令新的欺詐行為無所遁形。
記者獲悉，大模型技術要成功遏制AI模擬真人等新型欺詐行為，其模型迭代速度顯得尤其重要。因為黑產每天都會創造新的欺詐手段，一旦風控模型迭代速度落后于黑灰產，就可能給金融機構造成較大規模的資金損失。
李超向記者透露，目前 騰訊云采取持續集成的方式，不斷將新的反欺詐風控知識升級到金融風控的Foundation model，以便金融機構通過Foundation model，針對自身信貸場景、信貸產品特點與客群特征形成定制化的反欺詐風控模型，從而提升反欺詐風控效率。
“我們需要確保的，是通過技術手段令每次Foundation model升級都是正向升級，避免模型學習到干擾信息，出現性能惡化。這對金融風控大模型迭代構成較高的挑戰。”他強調說。
傳統風控模型“難防”AI模擬真人欺詐
面對黑產組織日益使用AI技術“模擬真人”進行信貸欺詐，多位金融機構風控部門人員既憤怒又無奈。
“即使我們不斷優化風控規則，也未必能徹底阻斷這類新型欺詐行為。”一位城商行風控部門主管向記者直言。比如他們通過歷史數據發現黑產組織擅于利用逾期記錄“騙貸”，便將“有三次逾期記錄的客戶貸款申請不予通過”改成“有過一次逾期記錄的不予通過”，但他們很快發現，黑產組織在掌握上述風控規則調整后，虛構了大量沒有任何逾期記錄且還款能力良好的“真人”騙貸，令他們防不勝防。
多位金融機構風控部門人員向記者透露，目前因欺詐行為所帶來的貸款逾期，占到他們信貸總逾期率的40%-70%。且相關風控策略若薄弱，上述欺詐所造成的信貸逾期損失額越高。
這背后的深層次原因，是風控規則往往在欺詐行為發生后才做出調整優化，但欺詐行為已經發生且造成不小的損失。目前金融機構要針對AI模擬真人欺詐行為，必須不斷動態地、及時地、快速地掌握這些新型欺詐行為樣本，并找出相應的欺詐破綻“堵住”信貸風控盲點漏洞。
上述城商行風控部門主管告訴記者，對此他們曾考慮搭建針對特定信貸場景的定制化風控模型進行遏制，因為這類定制化風控模型可以吸收分析相關場景下的各類新型信貸欺詐樣本，助力金融機構對更多AI模擬真人欺詐行為迅速采取遏制措施。
但在實際操作過程，他很快發現這項工作存在諸多痛點，一是銀行內部專業的建模人才缺乏；二是風控建模流程耗時耗力，尤其是專家經驗與以往反欺詐知識的歸集驗證，流程相當漫長，三是很多信貸業務場景存在樣本不足難題，缺乏足夠數據進行AI深度學習；四是即便風控模型生成，也難以開展多維度泛化性評估。
所謂泛化性，就是受到現有客群的單調性局限，金融機構無法保證相關風控模型能對未來客群演變與市場變化同樣產生良好效果。
記者獲悉，隨著AI模型技術興起，部分持牌金融機構一度嘗試采取通用型風控大模型優化自身的反欺詐風控策略。
但他們很快發現，不同信貸產品與信貸場景所面臨的欺詐風險因素存在著明顯差異，且不同客群的信貸風險特征也有較大差異，很難通過通用型風控大模型進行有效的欺詐風險管控預測。
“甚至在一些互聯網信貸場景里，我們依然很難識別哪些貸款申請人是真人，哪些是黑產組織通過AI模擬真人進行欺詐。”一家中小銀行反欺詐風控業務負責人向記者指出。
金融風控大模型的反欺詐征途
在通用型風控大模型收效不高之際，專注反欺詐的金融風控大模型開始應運而生。
騰訊研究院副秘書長楊望向21世紀經濟報道記者指出，準確性、穩定性、可操作性是大模型技術落地金融行業重要評價指標。聚集在風控領域，大模型還需實現金融風控體系由靜態向動態的升級。
在李超看來，專注反欺詐的金融風控大模型需具備四大特點：
一是專家級建模，即這個金融風控大模型需融合大量黑產數據與反欺詐知識，能自動實現專家級精度的風控建模，令金融機構無需專業建模人才也能高效構建風控模型；
二是全流程自動化，即建模階段只需使用少量提示樣本，就能自動構建適配金融機構自身業務特點的風控模型，且實現全流程自動化的部署上線，支持金融機構迅速將新的反欺詐風控策略快速集成到現有風控系統。
三是解決小樣本風控難題，即這個金融風控大模型能幫助樣本積累有限、或新業務上線“零樣本”的金融機構快速構建泛化能力好，又契合自身業務的風控模型體系，高效解決“小樣本”訓練難題。
四是全方位的模型評估，即這個金融風控大模型能向金融機構提供超越自身樣本的模型評估體系，包含所有的風控模型評估指標，覆蓋全金融風控細分場景，讓客戶能全方位評估模型的穩定性和泛化性。
他透露，針對研發金融風控大模型，騰訊云行業大模型融合了騰訊安全天御大量風控建模專家的經驗以及知識，以及逾20年沉淀的海量欺詐樣本與多場景風控模型能力，通過大量預訓練與知識蒸餾方式提取出來，形成Foundation model，以此金融機構以此根據自身信貸場景特點與產品客群不同特征（比如客戶分層、授信定額、信貸利率定價差異等），快速構建定制化的反欺詐風控模型。
“事實上，我們構建反欺詐金融風控大模型的征途，也是邊摸索邊前行。”李超向記者透露。最初，騰訊云沒有使用大模型機制（即Foundation model）向金融機構提供定制化的反欺詐風控建模服務。盡管定制化風控模型在反欺詐識別方面取得不錯成績，但他們發現不少金融機構由于自身積累的樣本數量相當有限，單靠傳統的機器學習方式構建風控模型，很難在準確性和模型繁華性方面取得有效平衡。
于是，他們借助AI算法與遷移學習機制，逐步發展為新一代基于大模型的模型對抗范式。
他向記者透露，目前金融風控大模型對提升信貸場景反欺詐識別的賦能，主要表現在三個方面，一是就反欺詐效果而言，模型區分度（KS）較傳統風控模式有明顯提升；二是在風控策略部署效率方面，金融機構可以基于prompt模式自動生成定制化的風控模型，實現從樣本收集、模型訓練到部署上線的全流程零人工參與，建模時間從以往2周縮短至2天；三是在解決小樣本的風控建模瓶頸方面，金融風控大模型借助騰訊云行業大模型的豐富場景樣本，可以跳過風控“冷啟動”。
在他看來，隨著反欺詐風控從“規則對抗”進入“模型對抗”，未來大模型要成功遏制AI模擬真人欺詐等新型欺詐行為，還需加快自身的迭代速度。
具體而言，一是大模型自身需要動態收集各類最新的欺詐樣本與反欺詐知識，通過持續的知識蒸餾進入Foundation model，令金融機構快速完善自身的定制化風控模型以應對日益多變復雜的AI欺詐行為，二是大模型在助力金融機構現有風控模型迭代同時，要避免負向學習狀況出現，不給黑產組織找到風控漏洞的縫隙。
上述中小銀行反欺詐風控業務負責人指出，目前他們也在關注反欺詐金融風控大模型的研發進展，但他們最關注的是如何解決小樣本與風控冷啟動挑戰。因為銀行高層最擔心在缺乏足夠信貸樣本與風控模型反復測試驗證的情況下，就貿然啟動新的互聯網零售信貸業務或拓展新的信貸場景，導致大量黑產組織“涌入”騙貸。
李超透露，通過調研發現，金融機構在拓展新信貸場景與開發新信貸業務過程所遇到的最典型風控建模問題，就是樣本量不足與樣本量過于單調。但通過引入金融風控大模型，是可以有效解決在小樣本下的風控模型效果提升問題，且相比傳統風控建模方式，基于金融風控大模型的KS性能與跨場景泛化性能都有不同程度的提升。
“事實上，當反欺詐風控進入模型對抗階段，金融機構與黑產反欺詐博弈邏輯發生了巨大的改變，在以往規則對抗階段，金融機構更強調風控規則的增補，但在模型對抗時代，金融機構更需要定制化模型，以及根據業務場景開展實時動態建模，從而令各類新型欺詐行為無所遁形。”他強調說。
關鍵詞：
責任編輯：Rex_31
