专访邦盛科学和技术开创者吕燕:一场与时光赛

这是我前一阵在一个银行里跟大家交流,他们真正想做的事情,整个路线图的设计,整个项目来说,他们最终目的是想做反欺诈、精准营销和用户画像,刚开始没有足够的业务和技术经验,需要有一定的积累,首先是基础平台的建设。二是需要对业务能力做建设,包括规则。比如说针对现有的业务,做接入业务进行风险分析,建立管理制度和团队。我们要有更多新技术储备,同时可以利用技术的储备和业务的储备实现建模和精准营销。

邦盛科技基于流式大数据极速处理技术流立方,可在毫秒级进行复杂计算、并行计算、实时关联分析,支持复杂的规则数据处理能力。流立方技术集群吞吐能力少量节点即可达百万笔每秒,平均延时1毫秒,技术能力在国际上遥遥领先,是邦盛科技开展事中反欺诈业务核心专利技术。

邦盛科技的一系列风控反欺诈产品,也全数基于流立方这个核心底层技术平台,更强调“实时”这一效果的完成度。在实时风控的整体系统上,邦盛也自主研发了机器学习、关联图谱、设备指纹、人机识别等多项相关技术加以辅助。

关于机器学习和AI的应用,反欺诈就是抓黑名单,如果反过来做精准营销,就是把我们的好东西找出来。到目前为止我们在很多银行已经建了实际的应用模型,比如网银转帐和线下收单POS,还有申请准入等,目前已经有17个左右的主要模型大类应用在不同的场景。

同时邦盛科技制定的反欺诈规则模型响应时间在100毫秒以内,并可自定义各种动态的风险监控策略,能够实现对登录、转账、支付多种交易进行事中风险监控,可根据实时回馈的风险信息实施动态安全策略。

图片 1

我分析了一下,归结为四个方面:一是数据泄露;我们经常会收到各种销售电话、电信诈骗电话。买个机票,有时会在飞机起飞前收到退票的短信和电话。数据是怎么泄露出去的?到了谁手里?

多种反欺诈技术助力全面提升反欺诈

他回忆,当时股东们认为可以拿一些成型的开源框架稍加修改,先把可用的产品推出市场销售。但在创始团队看来,开源框架的天花板太低了,它的理论模型“技术扩展性不行”。

二是有专门的黑产团队研究这些问题,是成体系的团队。有人负责偷窥账户获取数据,有人销售数据,还有人专门负责诈骗,这是非常严峻的挑战。现在是最好的时代,大数据给我们带来很多机遇,同时也是最坏的时代。

农商行是商业银行群体中一股重要的新兴力量,随着业务飞速发展,风控体系也面临提档升级。近日,成都农商银行与浙江邦盛科技达成合作,采用邦盛科技的全渠道银行事中风控系统,整体风控体系得到加强,将助其业务稳健发展。

更值得期待的是,邦盛正在研发下一个核心技术:多重关系的秒级实时计算。王新宇向雷锋网透露,这一底层基础平台的研发两年前就已启动,目前技术攻关部分已经接近尾声,不久的将来就会进入商用阶段。

在银行做风控时,我们面临的问题是在哪里?我归结为六个:

作为国内率先进行反欺诈研究的高科技企业,邦盛科技已在实践中服务了超过200家大中型金融机构。风险防范是金融持续健康发展的永恒主题,对于普惠金融,风控能力的补强,更是其可持续发展的关键。

他们认为,尤其是国内互联网还有如此庞大的访问量,能把数据分析得又准又快的话,就一定会有市场。

有了数据后我们怎么用?举个简单的薅羊毛例子,羊毛党往往养了几百、上千、上万手机号,通过用虚假手机号可以覆盖70%以上。我们用设备端,毕竟硬件成本是有限的,硬件数量是有限的,有1万个手机号,还有IP关联、数据关联,最终找出注册用户。

此次邦盛科技在流立方技术的支撑下,结合机器学习、风控规则、设备指纹、关联图谱等多种核心技术,及海量的互联网风险数据,为成都农商行构建了一套完整的场景化事中风控解决方案,极大地增强了其反欺诈能力。

“如果用开源做了,那基本上只是开源的水平,想要再大幅往前超过它就不太可能了,会受到它各种限制,不如全部从头自己做起。现在从底层开始做的话,就有希望大幅超过开源的性能和能力。”王新宇解释道。

做大数据风控和实时反欺诈这一块,除了有引擎以外,还需要反欺诈的技术,反欺诈的数据,反欺诈的模型,还有反欺诈应用产品管控系统。所以做大数据风控也好,反欺诈也好,绝对不是单纯的有数据就能做,这是一个系统级的解决方案。

目前,手机银行领域面临的风险主要是账户盗用;直销银行面临着撞库、虚假注册、盗卡等;ATM、POS渠道存在着伪卡取现和盗刷等问题。

比如做攻防模型的时候,一开始想到采用过去三个月的交易平均额放进模型,然后与黑色产业链攻防。但它的欺诈手段如果发生变异,之前的模型可能就失效了,对方能绕过这个模型。

现有银行风控面临哪些挑战

毫秒级事中风控 动态安全策略

“标准化的路线,是在与头部客户的合作中,不断学习积累而成的。”王新宇告诉雷锋网,近年来邦盛陆续攒下近3000个风控模型,涵盖160 个风控场景;目前邦盛大约仅有10~20%左右的业务以定制化形式交付。

最后我简单介绍一下邦盛科技,邦盛科技主要在做大数据实时智能处理技术,以及基于该技术专注金融实时风控解决方案。我们比较有名的平台是流式大数据极速处理平台“流立方”。目前12家股份制银行里有8家用的是基于“流立方”的实时反欺诈技术,全国排名前30的第三方支付机构中,有20多家采用邦盛的产品作为中央风控平台。

此次邦盛科技银行全渠道事中风控系统将用于成都农商银行不同渠道的产品,包括网银、直销银行、手机银行、ATM、POS、柜面等,均纳入统一的监控平台,构建一个渗透到各业务线,整合成都农商行内外资源的反欺诈大平台,对各产品、各渠道的交易进行交叉验证,实现各条线反欺诈的联防联控。

于是在2010年,中国工程院的陈纯院士带领他的弟子们创立了邦盛科技,王新宇也是其中的一员。2007年从浙大计算机学院博士毕业的他,随即和兄弟们投入到流立方的研发当中去。

图片 2

风险管理既是金融监管的要求,更是银行生存发展的需要,风险管控水平直接体现了银行的核心竞争力。传统风险防控的人力资本耗用高、前瞻性不足、反应速度慢。面对金融欺诈,如何借助大数据技术、人工智能,在新型模式下,高效、准确地应对银行从线下到线上,从单点到海量并发等各方面的欺诈升级,提高整体反欺诈能力,对银行来说迫在眉睫。

再持一把重剑

反欺诈的数据和技术,比如说设备指纹,另外数据的统一接入和外部数据的服务,最后智能风控的平台设计,这就会涉及到具体应用的规则引擎和决策流。这是我们涉及到的关键解决方案。

全渠道金融创新 中央风控护航

这能为风控反欺诈带来什么?王新宇博士以时间窗口问题为例,更详细地解读了流立方的目的和设计:

最后讲一下技术,金融科技涉及到三个方面,对数据怎么分析,需要哪些工具,它的要求是什么?这就有了实时的数据分析。需要对数据清洗,尤其是信贷产品要对数据进行清洗。最后是建模的分析、关联图谱的关联关系分析,这是第一个层面,会涉及到邦盛的技术和产品。

随着人工智能的发展,机器学习技术将有助于提升训练风控模型的频率和效率。此次邦盛科技的机器学习智能决策平台在实时欺诈业务场景,从数据与模型角度提升现有规则效果,通过机器学习模型的优异预测效果,全方位提升成都农商行的综合竞争力,降低部分审查人员的经验要求,并将审查人员的工作集中至高风险用户群体的行为,有效合理配置银行资源,降低运营成本。

在王新宇看来,刚刚在线上产生的数据,需要结合历史数据,才能对它进行实时的价值判断,而不是仅分析当前的数据本身:“例如把过去一年所有交易行为的流水全部分析一遍,对比当前才知道有没有风险。”

2、时效性。过去更多是事后分析,现在越来越多的欺诈变化非常快,时效性能否达到要求,能否做到实时交易风控,是越来越重要的挑战。

近年来,成都农商银行积极探索多种业务渠道,加快推进线上线下整体战略布局。随着多业务渠道需求的增多,分散在各渠道的风险不容小觑。

持牌金融机构加码科技投入,逐渐长出自己的风控能力,很难说第三方风控企业的生存现状不会因此而受到影响,但于邦盛而言,对底层技术的“固执”曾经是一种冒险,如今更是他们在产品同质化严重的行业里杀出重围的武器。

前面讲了科技金融,最后要讲金融科技,怎么通过技术的手段实现我们的业务目标。要求是什么?我把它归成这三个方面。

此次邦盛科技的全渠道事中风控系统将对成都农商银行的全渠道进行监控,实时采集交易数据,利用大数据的关联分析能力,设定反欺诈模型库,实时判定该笔交易是否为欺诈业务,并根据判定结果实时触发处置策略,从而降低线上交易用户因欺诈行为带来的金融风险。

在有这样的业务规模之前,王新宇和邦盛团队的其他成员一起,怀揣着一个宏大的目标,也经历了一段不太明媚的日子——很难想象一家创业公司,成立五年之后才开始进入业务推广期。

风险监控的过程我们需要考虑哪些点?要建立可信环境,要提高用户的体验,这涉及到可信的设备、可信的账户和可信的地址,我们需要对客户不断的监控,优化我们的规则。

对银行来说,面向交易业务的反欺诈,需要较强的实时能力,包括数据的实时获取、实时分析、实时识别、实时处置能力。

流立方做到时间窗口的动态拉伸,也就是任意指定起点和终点,在毫秒级给出运算结果。

我们会用到不同的技术,比如生物识别、设备指纹、关联分析,最后落到行里是黑名单、白名单,这是数据应用的例子。怎么分析?这涉及到三个层面,数据的接入服务,尤其是接入那么多的外部数据,我们怎么进行统一管理?数据接入后需要对数据进行处理,质量不好怎么做数据的治理?第三个层面要根据自己的需求制定指标。24小时登录几次,交易几次,需要把业务上的表达,转成一个个技术指标,就有了数据的处理逻辑。数据的接入到数据的清洗到最后指标的计算、实现,最终交付给业务的应用要求,数据的采集、清洗和加工。

邦盛科技携手成都农商银行 事中风控护航银行安全

邦盛科技创始人兼CEO王新宇博士

服务于业务目标的风控系统建设思路

今年6月,邦盛顺利完成了3.5亿元人民币的C轮融资,正式迈入下一阶段。

他认为,大数据驱动零售银行蝶变,风险与机遇共存。大数据在带来无数机遇的同时,银行更要注意挑战与风险。而银行现有风控面临规则、时效、灵活性、技术、业务和数据六大挑战,因此大数据实时分析的智能风控系统建设,对每一家金融企业都非常重要。

因为有过不少金融IT分析类的项目经验,也接触过多个相关赛道的国外SaaS服务商,在创业初期,邦盛的团队很快将目光锁定在金融数据分析的赛道上。

这几年,尤其是2014年我们真正投入市场应用的时候,我把对于用户的案例做了归纳总结,有交易、授信、机器学习建模、咨询、数据服务和设备指纹。对技术要求最高的是交易的风控,时效要求最高,50到100毫秒响应用户的请求。

最初,创始团队在浙大网新与华尔街的IT服务合作中注意到,国内的金融机构无论是在硬件还是软件上,都依赖国外的基础平台。

1、规则。我举个例子,前段时间我到银行办信用卡,同时还有一个人办信用卡,行里人跟他说你办不了。为什么?因为办信用卡有强认证的规则,你在这个地区的身份证前六位是过不去的,规则简单粗暴,把很多客户拒绝掉了。

流立方要成为的,就是这样一个实时大数据处理引擎:兼顾数据的时间跨度和新鲜度,还有计算速度,解决数据倍增、数据处理时效差和数据处理毫秒级需求的问题。

演讲实录

2010年就成立的邦盛科技,在金融风控反欺诈领域的资历不可谓不深。但就是这样一家老牌技术服务商,却走了一条不太常规的路子:从成立之初到现在,邦盛有将近一半的时间在全力攻克流式大数据实时处理平台“流立方”,再去开展融资和商用。

一些申请和授信需要像漏斗一样,把最终的用户塞进来,通过决策流,降低数据应用的成本,这是申请的整体思路。针对申请我们的规则设计策略,准入到审批、额度的策略,然后再进一步考虑需要哪些数据,从数据的角度分析。左边这部分更多是应用的交易场景,需要对行内的数据,要用到地址模糊匹配给现有的数据进行补充,呈现出完整的数据仓库、数据集市。

为什么执着于底层技术?“对金融机构来说,太底层的东西,他们反而不会做。”当被问起第三方风控技术服务商的未来,王新宇这样说道。

5、业务。刚才说银行重视新技术,怎么应用?能不能和现有的业务结合起来?

邦盛科技的下一步是什么?2018年的邦盛,重心或许更多放在金融领域的横向开发上,包括保险智能反欺诈、证券量化实时策略计算、网络自动化攻击防御等。

近日,由《零售银行》杂志等主办的中国零售金融大数据论坛在深圳举行。来自业界领先的零售金融机构、专家学者、互联网公司等数百人,共同探讨金融科技浪潮下零售银行的数字化转型之路,探索数据如何更好地服务于客户、服务于业务。

像银行卡支付这样的业务环节,要求则更为严苛。王新宇介绍称,其合作机构银联,在做反欺诈的时候往回追溯数据,要面对一年1200亿笔的交易流水,日均水平在4亿笔左右,可能还需要在6~13毫秒内完成判别。

责任编辑:

流立方的内部,是一个又一个技术难点。除了前文所述的时间窗口问题,还有内存计算、增量计算、机器学习模型的实时决策等等……原计划最多用三年时间做研发,结果“从成立到现在,差不多有一半的时间都在攻克最底层的东西。”

大数据时代的机遇与挑战

这样的做法不可谓不冒险。“股东们会觉得,应该接一些开发集成项目来养公司,而不是全部投入到研发上。”王新宇告诉雷锋网,在流立方的“烧钱研发、不搞收入”期间,邦盛熬走了三波股东。

这个项目,系统上线前和上线后的效果非常明显,尤其是营销反欺诈,行内的数据原来是有80%到90%的营销资金被羊毛党拿走,上了风控系统效果非常明显。

因此,技术团队坚持要先把“独家的东西”做出来。直到2015年,有了流立方和20余项核心专利,邦盛科技才完成自己的A轮融资,正式开展自己的业务。

四是银行面对这种问题怎么应对?银行过去用强认证的手段,我们要做业务创新,技术支撑能否符合要求?业务创新与技术是否匹配是最大的挑战。

尽管在金融风控领域,已有不少企业也表示能够达到实时的效果,例如完成贷款的秒级审批和放贷,不过王新宇认为,授信模型的秒批秒贷,初步需要的数据量并不算大;与交易环节相比,用户对授信的延时情况也没有那么敏感。

二是某股份制银行交易反欺诈,交易反欺诈最典型的电子银行和直销银行面临的风险是不一样的,我们接了七个渠道线,有直销银行、扫码登录、电子银行等。整个项目做了四件事情,实时反欺诈系统建设、数据服务、设备指纹应用、风控咨询。

邦盛的技术思路,逃不开对“时间”的要求。

连楹:大家好!这两天我们讨论了很多关于大数据的话题,今天我分享下基于大数据实时分析的智能风控系统的建设。大数据给我们带来很多机遇,银行、金融企业更多在意金融风险,我们要考虑给我们带来哪些挑战?

除了前文所述的平安银行,目前流立方的服务领域包括银行、第三方支付、证券、保险、互联网金融等,邦盛科技合作的大中型金融机构累计近400家——这样的实战案例,也使得他们拥有更多输出标准化方案的底气。

图片 3

“我们就想,能不能研发国人自有的核心基础软件?从理论层创新一直到底层核心的那种,而不是像以前那样:国外软件商提供中间件,国内只是做个业务系统。”王新宇笑言,这也正是邦盛科技名字的由来:“国邦昌盛——我们想摆脱这种相当于中国企业都在给国外企业打工的局面。”

下面我会分享三个非常有代表性的案例。一是某股份制银行做的申请风控,当时在第一期项目中提出五个产品,包括信用卡网申、信用卡线下申请和行内外现金贷和消费场景。我们差不多做了四件事情,主要的核心是我们帮行方建立了信用卡申请反欺诈系统,并且输出了我们的风控经验,尤其要强调的是,他也希望利用机器学习建模帮他实现这个目标,还有接入更多的三方数据源和数据的接口改造。

然而,要让数据分析兼备准确度和速度,这样的研发目标就好比鱼和熊掌兼得,难度也超出了他们的预期范围。

图片 4

而在2019年,邦盛计划继续以流立方为基础,尝试向金融以外的行业伸出触角。据悉,未来邦盛将在轨道交通、物流、电力、气象、军工、反恐等方面进行相关的产品开发。王新宇表示,一切会产生大量热数据、有望实现热数据价值最大化的赛道都有可能涉足。

首先我们需要考虑先要做什么事情,有了这些以后我们再考虑用哪些数据,行内有的或是行内没有的,有了这些数据我们需要有一些技术分析,把一些相关技术放在这里,比如说绿色的是邦盛现有的业务,在很多银行得到了认可。最后落到我们的规则模型,从业务逻辑来说,业务决定了数据,数据决定了架构,架构决定了最终的应用实现,这是我对金融风险控制的基本理解。

现在的流立方,号称有着超高并发与超低延时的特性,同时支持多种复杂事件的计算。从业务版图来看,流立方也正是邦盛整个金融实时风控反欺诈堡垒的顶梁柱。这次,雷锋网AI金融评论就和邦盛科技创始人兼CEO王新宇博士聊了聊流立方的诞生始末。

作为金融实时风控领域标杆企业,邦盛科技资深技术专家连楹出席本次会议,并围绕“基于大数据实时分析的银行智能风控体系建设”话题展开演讲。

“流立方”与实时风控系统:和时间赛跑

4、技术。人工智能、大数据、机器学习、关联图谱、设备指纹,银行越来越重视新技术的应用。

但如果要收紧风控尺度,做到深层次的个人信用数据实时分析,还是需要大量实时计算,这正是流立方精通之处:“例如用户过去24小时通话超过5次的对象,这些人又和谁通话超过5次?类似这样的传播开去,计算量也会非常大。”据悉,平安银行的信用卡网申系统就有采用流立方这一技术平台,并从2016年开始,将所有信用卡相关的交易均以实时模式接入流立方支撑的风控系统。

6、数据。任何企业都没有存量数据,如何获取更多的数据使数据尽可能完整?

官方数据显示,流立方集群部署少量节点即可达百万笔每秒,平均延迟在1毫秒左右。王新宇告诉雷锋网,在实际应用中,最复杂的客户延迟大概在6~13毫秒之间;普通的客户基本能达到1~6毫秒。

首先从业务的角度,风险管理的过程是应用大数据分析了解我们的过往数据情况,我们可以制定策略、规则,形成最终的闭环,通过自动化和人工的处理。规则是线性的区分,我们可以把去年的目标找出来,这是风险管理的过程。

熬走三波股东,“流立方”艰难降生

我们现在要做这样的系统,要考虑哪些问题,我们需要对任务目标有明确的定义,比如说关注在申请、交易、反薅羊毛?建立智能风控平台,不同的渠道线接进来,我们对业务能力有什么要求?我们经常讲科技金融,怎么响应,怎么快速的实现业务目标?在风控里我们需要对业务的需求有充分的理解,不管是授信、申请还是交易。

升级的时候,发现当时用的指标,过去三个月的平均交易额不及过去一个月的管用——但如果要以这个时间维度,重新现场计算相关指标和数据,与黑产的攻防交手过程中就已经损失很多时间和金钱了。

图片 5

如今的流立方除了有超高并发和超低延时的特性以外,在扩展性方面也下了功夫:自带可计算分布式缓存,在内存不足时,能够平滑扩展到多节点;能够提供基于Paxos算法的多副本一致性存储机制,确保数据存储的高可靠性。

我们对数据能力有什么要求?可能会涉及到要哪些数据,有了这些数据后怎样处理?也是大数据的分析根本。数据是够或是不够,不够的话需要补充什么,互联网领域设备信息、IP信息是非常有效需要补充的信息,往往这部分可能比较缺乏。最后需要对数据有进一步挖掘的能力,需要用新的技术手段,用关联图谱做一些深入的分析,最终的目标是实现从经验到数据启动的变化。

原标题:邦盛科技银行风控系统建设分享:基于大数据实时分析的智能管控是趋势

三是互联网金融企业发展非常快,很注重用户体验。

谢谢大家。返回搜狐,查看更多

申请风控、交易反欺诈在、互联网信贷等场景的落地

3、灵活性。去年上海某银行申请风控遇到很大的困难,他们用风控系统跑了1万多条规则,后续的维护更新跟不上,他需要我们通过机器学习建模的方式实现,这是灵活性达不到要求。

三是农信互联网授信项目,最主要的几点:一是构建互联网金融产品;二是契合已有业务架构,产品定位和策略;三是支持次开发,满足业务创新;四是支持规则模型的自主配置;五是针对性完整的风控经验输出。

本文由北京28官网发布于北京幸运28开奖官网,转载请注明出处:专访邦盛科学和技术开创者吕燕:一场与时光赛