慧安金科黄铃：机器学习具有参考数据纬度多等客观特点_新浪财经

　　11月30日消息，2020北京国际金融安全论坛于11月26日举行，此次峰会的主题为“新金融新基建新安全”。慧安金科（北京）科技有限公司CEO黄铃出席论坛并发表演讲。

　　黄铃表示，洗钱团伙目前在全球范围内利用多资源、多种账号，通过有组织的大规模协作进行洗钱、电信欺诈、网络欺诈等洗钱欺诈活动，由于这些手段隐蔽非常强，以往机构常用的数据分析方法很难发现，所以机构很难做到提前防范。

　　黄铃指出，在风控领域每个标签、每个标注过的案例都是被欺诈、洗钱分子在欺诈、洗钱成功后换来的，以往采用黑白名单、IP信誉库、规则系统这些方法会涉及到大量数据的收集，也必然会关乎个人隐私问题。同时新型的欺诈、洗钱手段层出不穷，我们没有历史样本进行学习，那么在没有标签的情况下是不是可以提前做到检测，这就对我们整个金融的风控合规、大数据分析、风险建模和决策带来了很多新的挑战。

　　相对于规则引擎的可疑交易识别，机器学习具有参考数据纬度多、覆盖全面、分析复杂、评估全面等客观特点。机器学习分为有监督学习、无监督学习和半监督学习。其中，有监督学习主要用于在数据标注比较丰富，数据表现明显，数据饱和度较高的可疑交易识别和筛选。无监督学习和半监督学习，主要用于数据标签较少，数据表现不明显，数据饱和度不高的复杂洗钱交易识别。半监督学习更适用于异常关联和异常交易识别，对地下黑产、洗钱犯罪集团、复杂网络洗钱具有较好的可识别性和可解释性。其中，无监督和半监督学习应用过程中主要的技术手段是基于拓扑学的图分析和聚类，行业经验和对算法的深度理解对机器学习效果影响较大。