美国运通使用AI技术检测欺诈行为 增强安全性

多年以来，美国运通一直是人工智能与认知技术领域的领导者。作为坐拥有庞大忠实客户群体的全球金融服务机构，保障客户账户安全一直是运通职能的重中之重。在很长一段时间里，发现并制止欺诈行为一直是美国运通公司的首要任务。而人工智能在近年来的快速发展，则真正将运通的欺诈检测能力推向新的高度。

Rajat Jain, American Express美国运能公司欺诈与风险管理副总裁

近期，美国运通公司身份与认证策略全球负责人Rajat Jain分享了如何成功运用机器学习技术检测并发现欺诈行为，如何利用AI与机器学习提升运通公司的整体客户体验，包括AI技术采用方面的一系列重要洞见。在本次访谈中，他分享了美国运通在AI及机器学习(ML)应用方法方面的观点，介绍了运通在欺诈检测方面的领先优势，同时讲解了运通公司在人工智能技术应用方面的几点重要思路。

美国运通在各类流程当中应用AI与机器学习技术的历史有多长?

Rajat Jain: 可以说是历史悠久了。美国运通的领导层很早就意识到数据分析与技术的作用与价值，这也推动我们在风险、市场营销以及服务领域积极推进机器学习转型。2010年，我们开始研究机器学习技术，并着手评估其在核心业务流程中的潜力，包括信用风险分析与欺诈检测。2014年，我们实现了机器学习模型的首轮大规模应用，借此实现欺诈检测。与之前的非机器学习模型相比，我们的检测效率即刻提升达30%。

根据尼尔森报告(The Nilson Report)，我们在消除欺诈方面付出的不懈努力，帮助运通公司连续13年保持着业界最低的欺诈率——实际上，我们的损失率仅为其他主要支付网络的一半。

美国运通是如何使用先进机器学习技术进行欺诈检测的?

Rajat Jain: 我们努力使用最新、最先进的机器学习技术保护我们的支付卡会员及商户免受欺诈活动影响。我们的机器学习算法实时监控全球每一笔运通卡交易——年交易总额超过1.2万亿美元。更重要的是，我们能够在几毫秒之内快速做出欺诈判断。我们用于监控欺诈活动的一项核心技术正是有序RNN。通过对数据进行有序分析，我们得以了解各项交易之间的关系，从而更快识别出无意义支出——或者按我们的话说，“异常”支出。简而言之，如果某位客户上午10：00在纽约买了一杯咖啡，但在10：05就在洛杉矶郊外给车子加油，那我们就会立即判断出其支付卡已经被盗用。

AI与机器学习技术，同以往的欺诈及风险管理方法有何不同?

Rajat Jain: 数十年以来，金融服务企业一直在采用各种最先进的新兴分析方法，借此保护客户的个人与账户信息。而这一切，都是为了能够与行动同样迅速的欺诈分子比拼速度。在我看来，目前金融行业阻止欺诈活动的真正突破性进展，就在于机器学习技术。与以往的逻辑回归模型相比，机器学习具有三大核心优势，具体包括：

· 更高效地捕捉非线性趋势与变量之间的相互作用，借此提高检测准确率。

· 快速部署单一全局构建解决方案，以敏捷方式捕捉跨越多个地理区域的趋势。

· 提升团队业务吞吐量，帮助他们将更多精力投入到更重要的数据科学议题当中。

AI与机器学习是如何增强美国运通的整体客户体验的?

Rajat Jain: 美国运通的机器学习创新正引领新一波非技术性应用优化，即创造出世界一流的客户服务体验。拥有支付卡的会员无疑是我们最为关注的宝贵财富，而保持更低的欺诈率则是巩固会员信任、挽留用户群体的核心前提。每年都有成千上万的数据点与数十亿项决策涌入同一套系统，这套系统则为消费者及企业提供当今世界上最重要的服务——安全的支付通道、更快的决策速度、实时客户沟通以及世界顶尖的欺诈保护与处理方案。

您如何看待AI与机器学习技术对于整体客户体验的影响?

Rajat Jain: 最重要的是如何将数据中的各个点连接起来，只有实现这项目标，我们才有可能为客户带来世界顶尖的日常使用体验。结合当下背景，这意味着我们需要向客户证明我们认识他们、了解他们的需求，而且有能力在每一次数字交互中为他们提供需要的支持。例如，我们使用机器学习技术检测欺诈活动，而后将实时数字通知交付至支付卡的注册者处。通过这些警报(通过电子邮件、短信以及移动应用的实时推送)，我们帮助持卡会员更轻松地监控自己账户可能遭遇的欺诈活动。

您能否分享一点关于美国运通在AI技术应用方面的一些有趣，或者说令人惊讶的故事?

Rajat Jain: 美国运通的数据科学团队由一大批拥有硕士及博士学位的数据科学家们组成。他们永不满足于现状，他们不断提升自己的技能。在数据科学这个不断发展的领域，我们意识到获得成功的唯一途径就是不断学习并尝试新兴技术。团队会定期评估现有模型的优缺点，并找到切实满足客户需求的创新方法。实际上，我们计划在下个月发布X世代欺诈模型，将采用我们的最新创新技术捕捉更多欺诈行为。

您认为对于银行业务流程来说，目前最大的AI与机器学习应用限制是什么?

Rajat Jain: 我们所做的一切，都是为客户服务并得到他们的肯定与支持。对我们来说，将机器学习引入银行流程的最大限制，实际在于如何证明这种新的分析技术能否真的可以帮助我们代表全球无数客户达成承诺的使命。虽然最新的数据科学研究与进步确实令人兴奋，但这一切只是理论方案与学术研究。我们在现实世界中的运作及决策，则会影响到每一位持卡会员的账户安全性。因此在应用一种新型AI技术之前 ，我们必须明确其能够在生产环境中实现并带来客户所期望的结果。

您能否跟我们聊聊在构建ML模型的过程中，运通公司需要着重考量数据中的哪些因素?

Rajat Jain: 我们总会强调，各种机器学习模型之间存在着很大差异，而我们的模型之所以与众不同，靠的就是我们使用的数据。作为发卡行、商户收单行以及网络运营商，美国运通在整个支付链中建立起庞大的全球业务体系。这套“闭环网络”将大规模数据集与我们训练有素的专业知识专家及顶尖机器学习算法相结合，帮助运通公司建立起打击欺诈行为方面的强大优势。我们可以查看来自商家与持卡会员的大量数据，保证比其他网络及发卡机构更快采取行动，抢在欺诈行为实际发生之前将其发现并加以阻止。

在构建机器学习模型方面，美国运通是如何保障客户隐私与数据隐私的?

Rajat Jain: 美国运通深刻理解保持消费者信任的重要意义，而且对数据隐私及安全性有着坚定而长期的承诺。我们将根据数据保护及隐私原则，以及具有实际约束力的内部规定及适用法律，通过合同及其他政策性要求保护个人数据。

未来几年，您对哪些AI技术最为期待?

Rajat Jain: 概括来讲，我认为在使用有序数据集进行预测方面，我们才刚刚起步。人工智能还无法通过有序预测有效将一系列事件联系起来，因此我们期待能够在这一领域迎来突破性进展，最终持续改善客户体验。至于在未来几年的欺诈行为打击方面，我们将继续评估新兴技术并应用切实有效的技术方案，努力增强自身主动与被动防御措施，借此更好地应对种种新的威胁。