注册 / 登录

支付宝投诉智能审理解决方案

分会场:  人工智能/AI驱动/AI实践

 

案例来源 :

案例讲师

许辽萨

蚂蚁金服 审理智能团队负责人

机器学习和大数据专家。2017年加入蚂蚁金服,负责智能审理业务。弗吉尼亚理工统计学博士,Operations Research硕士,曾任Forest Laboratories高级统计师,盈讯科技高级数据分析师,美国亚马逊Applied Scientist 等职务。致力于通过技术和产品创新应用AI能力,解决现实问题。

扫描二维码分享案例

 

案例简述

 

曾经猖獗的盗用风险已因支付宝的成熟的风控体系而日渐减少,相应移动支付的盗用风险目前已经低于百万分之一。加上支付宝会全额赔付因账户盗用而出现的损失,这类风险对于用户而言,已经可以忽略。因此自16年起,本着对用户负责的态度,支付宝的关注点开始聚焦在电信欺诈领域。千亿元的损失对于市民而言,已是显见的公害。作为当下资金欺诈的主要风险,它因为是用户本人操作而难以防控。对该类风险的防控难点目前主要在交易事中识别和事后的风险认定。目前对此类风险的认定主要取决于用户的投诉。因此对用户举报的高效智能化的处理和快速定性是欺诈防控的重点之一。而风险认定既基于对双方的交易行为,账号特征等客观信息的判定(“做什么”),也依赖于双方举证描述的结果解析“说什么”。风险认定的另一大痛点则是传统模型的黑盒化导致定性原因不明,因此无法清晰反馈事中和账号处置。智能审理团队通过一系列自身算法创新和领先算法的引入,和产品技术团队共建,逐步打造智能审理体系 AI Court Ecosystem (ACE),已初步做到了支付宝智能审理体系的高效和透明和公正。

 

案例目标

 

本次分享将着重介绍

1)支付宝风险介绍 

2)欺诈风险防控

2)智能审理业务


 

成功(或教训)要点

 

1)支付宝风控的演进;

2)智能审理业务介绍;

3)模型解释性方案展示


 

案例ROI分析

 

模型解释性方案人工评估可用性90%+,案件报文平台重要组成

 

案例启示

 

1)伴随支付宝业务发展产生对智能审理的新需求;

2) 强调模型解释性,明确算法调研需求;

3)为实现算法实时上线,打通于PMD平台部署;

4)以客户为中心,算法进一步升级为基于置信度的抗辩网络BAN(belief based argumentation network)

 

案例在团队中的意义

 

机器学习模型去黑盒化是业界所碰到的典型问题,人工智能应用的可解释性在高度管制行业如银行,司法,制药等行业尤为重要。