背景
近年來(lái)自動(dòng)駕駛技術(shù)大紅大紫，從Google無(wú)人駕駛汽車(chē)到Tesla Model-S量產(chǎn)，無(wú)人駕駛技術(shù)慢慢從概念走向了現(xiàn)實(shí)。 如今，“自動(dòng)駕駛”的概念則被支付寶創(chuàng)新性地應(yīng)用到了風(fēng)控領(lǐng)域，通過(guò)AI技術(shù)顛覆傳統(tǒng)風(fēng)控的運(yùn)營(yíng)模式，實(shí)現(xiàn)風(fēng)控領(lǐng)域的“無(wú)人駕駛”技術(shù)。
隨著人工智能的熱潮推進(jìn)，支付寶風(fēng)控引擎也從CTU時(shí)代直接進(jìn)入AlphaRisk時(shí)代，開(kāi)啟了人工智能驅(qū)動(dòng)的支付風(fēng)控的新紀(jì)元。其中，最大的改變就是AI算法的全面應(yīng)用，以及引擎功能模塊的升級(jí)。AutoPilot作為AlphaRisk四大核心模塊之一，目標(biāo)是實(shí)現(xiàn)用戶(hù)核身方式的精準(zhǔn)推送。
有別于經(jīng)典的基于專(zhuān)家經(jīng)驗(yàn)的風(fēng)控策略，以及單一模式的核身推薦，AutoPilot通過(guò)半監(jiān)督算法和進(jìn)化算法實(shí)現(xiàn)了用戶(hù)個(gè)性化的風(fēng)險(xiǎn)控制策略，不同用戶(hù)的核身認(rèn)證方式因場(chǎng)景、時(shí)間和地點(diǎn)的不同而不同，同時(shí)大大提升了風(fēng)險(xiǎn)控制的精確性、實(shí)現(xiàn)風(fēng)控運(yùn)營(yíng)自動(dòng)化能力。
不僅如此，在2017年天貓雙十一，AutoPilot首次面對(duì)大促交易峰值的考驗(yàn)，實(shí)現(xiàn)了完全無(wú)人風(fēng)控策略調(diào)整，風(fēng)控引擎自動(dòng)根據(jù)交易流量和風(fēng)險(xiǎn)變化動(dòng)態(tài)調(diào)整風(fēng)險(xiǎn)控制強(qiáng)度。
下面，我們從技術(shù)的角度出發(fā)，給大家揭秘AutoPilot的方案思想。
AutoPilot的核心思想
1） 用戶(hù)分群
用戶(hù)分群是通過(guò)決策樹(shù)算法+德?tīng)栰撤ㄏ嘟Y(jié)合而得，綜合考慮了分群的穩(wěn)定性、業(yè)務(wù)含義和風(fēng)險(xiǎn)概率，既從大數(shù)據(jù)角度出發(fā)科學(xué)分群，又包含了特定的業(yè)務(wù)含義。
2） 多目標(biāo)優(yōu)化
風(fēng)險(xiǎn)決策策略推薦需要解決的問(wèn)題是求滿(mǎn)足多業(yè)務(wù)目標(biāo)(打擾率、覆蓋率、失敗率和限權(quán)率)的最優(yōu)解。這是一個(gè)典型多目標(biāo)優(yōu)化問(wèn)題：
而現(xiàn)實(shí)世界的多目標(biāo)優(yōu)化問(wèn)題存在兩個(gè)困難：相互制衡或沖突的目標(biāo)和復(fù)雜的解空間。因此多目標(biāo)問(wèn)題不存在單一最優(yōu)解，而是存在一組帕累托最優(yōu)前沿(Pareto-optimal)，在缺乏主觀(guān)偏好函數(shù)下無(wú)法進(jìn)行解之間的權(quán)衡，使得解空間可能非常復(fù)雜和龐大，所以高效率而精確的求解極為困難。
所以樸素的思想是：先推導(dǎo)出一組帕累托最優(yōu)前沿，然后選擇一個(gè)最優(yōu)解，可以有下面三種具體實(shí)現(xiàn)方法：
i.先決策后搜索，根據(jù)人為偏好，將多目標(biāo)融合轉(zhuǎn)化為單目標(biāo)，此方法需要對(duì)業(yè)務(wù)有深入的理解;
ii.先搜索后決策，先搜索出一組最優(yōu)解，再根據(jù)偏好選擇其中一個(gè)解，此方法需要較長(zhǎng)的計(jì)算時(shí)間;
iii.同時(shí)搜索和決策，每一步的搜索結(jié)果輸出給人工進(jìn)行交互;
自然而然，進(jìn)化算法成為最好的選擇之一。
進(jìn)化算法的概念如下：
·維持一組候選解集合(population)
·評(píng)價(jià)種群中個(gè)體的適應(yīng)度(fitness)
·進(jìn)行選擇操作(selection)，高質(zhì)量的個(gè)體保留進(jìn)入操作池
·進(jìn)行雜交和變異(crossover/mutation)操作，產(chǎn)生下一代種群
進(jìn)化算法的目標(biāo)為盡可能的靠近帕累托前沿，而且解的分布盡可能的廣泛，使種群有較好的差異性。
最終的算法我們采用了基于RWGA的改進(jìn)： Random Weight Based + niche method。具體算法步驟如下：
step1: 生成初始隨機(jī)種群E;
step2: 對(duì)種群中每個(gè)個(gè)體賦予一個(gè)適應(yīng)度：對(duì)每個(gè)個(gè)體，基于隨機(jī)權(quán)重w，匯總多目標(biāo)函數(shù)為一個(gè)原始的適應(yīng)度值;同時(shí)根據(jù)個(gè)體周?chē)纳鷳B(tài)擁擠程度，對(duì)適應(yīng)度進(jìn)行懲罰調(diào)整;
step3: 基于適應(yīng)度計(jì)算選擇概率;
step4: 基于選擇概率選擇雜交父母，雜交后進(jìn)行變異操作，得到集合Q;
step5: 合并E和Q，選擇適應(yīng)度靠前的子集進(jìn)入下一代;
step6: 若不滿(mǎn)足停止條件，則step2;
AutoPilot的應(yīng)用結(jié)果
AutoPilot實(shí)現(xiàn)了風(fēng)險(xiǎn)覆蓋和用戶(hù)打擾的最佳平衡，在保障風(fēng)險(xiǎn)資損低水位的基礎(chǔ)上，實(shí)現(xiàn)了管控方案從千人一面向千人千面的轉(zhuǎn)換。當(dāng)交易被識(shí)別存在風(fēng)險(xiǎn)時(shí)，AutoPilot可自動(dòng)推薦最適合這個(gè)會(huì)員，且最安全的管控方案，實(shí)現(xiàn)用戶(hù)核身體驗(yàn)的最優(yōu)化。以O(shè)2O線(xiàn)下支付場(chǎng)景為例，該場(chǎng)景最常見(jiàn)的風(fēng)險(xiǎn)為的用戶(hù)手機(jī)丟失(即用戶(hù)手機(jī)丟失后，被非本人使用)，AutoPilot通過(guò)AI算法匹配，優(yōu)先推薦人臉等生物核身手段，而非傳統(tǒng)或靜態(tài)核身方式，以有效保障賬戶(hù)資金安全。
同時(shí)，AutoPilot實(shí)現(xiàn)了風(fēng)險(xiǎn)防控策略的自助運(yùn)營(yíng)，極大減少人工干預(yù)。2017年天貓雙十一大促，AutoPilot首次落地應(yīng)用，根據(jù)交易流量和風(fēng)險(xiǎn)變化動(dòng)態(tài)自動(dòng)調(diào)整模型和策略的管控力度，實(shí)現(xiàn)了無(wú)人調(diào)配策略的可能，并經(jīng)受住了大促時(shí)期黑產(chǎn)的攻擊。
結(jié)語(yǔ)
總而言之， AlphaRisk的核心內(nèi)容是人類(lèi)直覺(jué)AI(analyst intuition)和機(jī)器智能AI(Artificial intelligence)相結(jié)合，打造具有機(jī)器智能的風(fēng)控系統(tǒng)。而AutoPilot作為AlphaRisk的核心功能，最大用的意義在于“科學(xué)決策”和“無(wú)人駕駛”。
2017年初，支付寶開(kāi)始建設(shè)AlphaRisk風(fēng)控大腦，愿景是探索風(fēng)控領(lǐng)域的無(wú)人駕駛技術(shù)。 AlphaRisk項(xiàng)目1期上線(xiàn)后，支付寶的資損率從原先十萬(wàn)分之1下降至 百萬(wàn)分之0.5以?xún)?nèi) ,讓欺詐損失率低于任何銀行卡服務(wù)。目前，支付寶的資損率僅為國(guó)外先進(jìn)第三方支付公司資損率的1/200，處于行業(yè)的絕對(duì)領(lǐng)先水平。而這一切，都是為了支付寶的用戶(hù)能夠用戶(hù)更極致的安全和更完美的體驗(yàn)。
