在互聯網金融興起的今天，用戶個人還款能力、還款意願、風險定價，成為金融風控的核心問題。移動金融業務發生著巨大的變化和挑戰，一方面，交易渠道由實轉虛，獲客量增加，交易頻繁帶來海量非結構化數據，人力無法處理，數據難以被使用；另一方面，客群下沉，風險窗口擴大，眾多線上貸款用戶無徵信數據，市場出現大量身份證交易市場及專業詐騙團伙。
專注於金融反欺詐的初創公司猛獁上週在京召開融資發佈會，牛妹現場記錄了猛獁的智能風控解決方案。
一、人工智能與風險解決方案相融合
引入機器學習，人工智能技術、提供智能風控解決方案成為金融行業客戶比較關注的話題。智能風控結構主要分為以下三部分：
1. 建立語義統一的數據庫
金融互聯網業務，歸根結底主要圍繞三個核心對象，用戶、終端設備以及賬戶。通過使用精確的設備及行為生物識別，將不同渠道發起的業務，進行基礎數據的語義整合。
2. 形成AI基礎能力平臺
在統一的基礎數據平臺之上，利用感知能力做不同實體、對象之間的關聯，提取數據特徵，構建特徵模型，發現關聯圖譜，最終以機器學習為基礎，建立關聯分析、生物識別、異常檢測的感知思考能力。
3. 建立多層級的智能風控系統
第一層：解決已知問題，計算成本低
黑名單專家人工審核已經成熟，因其計算成本底，這塊業務還會一直存在下去，黑名單隻要做單詞匹配，對規則做簡單的計算就可以。但是這些方法只能解決存量問題，解決不了增量問題。
據猛獁反欺詐從金融客戶得到的數據顯示，現有黑名單解決方式，會把進來的50%客戶拒絕掉，有的企業甚至會拒絕掉70%的客戶。那麼，如果數據是真的，就意味這用戶一半以上具有不良意圖，金融業務將面臨巨大風險；如果數據是假的，企業的獲客成本就會降低2-3倍。
第二層 : 解決未知問題，自動適應數據及業務變化
基於傳統方法，引入人工智能，能自動判斷哪些是新的行為，哪些行為從前未發現，哪些是黑名單中由黑漂白的情況。終端檢測設備的指紋技術，會在進行交易前，把用戶行為數據綜合分析並學習其行為模式。當新的行為模式出現後，分析用戶異常情況，並輸入到異常檢測系統。非監督和半監督式的機器學習引擎，異常檢測會做出風險評分，最終輸出反饋給規則引擎或黑名單中，反覆使用。
二、深耕人工智能反欺詐領域
據猛獁反欺詐創始人張克介紹，猛獁反欺詐主要定位於反欺詐業務，採用全棧被動式設備指紋等核心技術，提供欺詐預防和風險識別的智能化大數據分析。
ID系統設備指紋
通過大數據機器學習技術，綜合設備的協議棧，OS、瀏覽器以及硬件特徵，為每一臺物理設備生成不依賴於設備本地ID的設備指紋ID，從而精準標識移動設備。
異常行為檢測
利用自動知識產權的算法，冷啟動：快速發現異常行為，定位欺詐。在實際的反欺詐業務中，數據本身會出現很多問題，比如： 標註數據稀少以及非飽和數據存在，各維度分佈不好判斷等。監督式的方法很難解決，而利用非監督式的方法，在標註數據較少的情況下，可以主動發現欺詐定位，並對異常行為做聚類，判斷更準確。
行為生物識別
傳統的單次檢測登錄，基於生理特徵，指紋、聲紋以及人臉識別等顯性手段，雖可做到快速登錄，即刻完成驗證，但也更容易被黑客攻破。基於單次檢測，猛獁反欺詐提出了持續監測行為分析，基於行為特徵，無感知地持續對用戶身份進行識別，即可優化用戶體驗又增強了對用戶的保護。這種非顯性手段，黑客難以模仿攻破。
猛獁反欺詐，因其獨有領先的“全棧被動式設備指紋技術”和基於人工智能的反欺詐平臺，獲得業內人士的廣泛認可和關注，並在2017年3月完成DCM領投的5000萬A+輪融資，猛獁反欺詐創始人張克表示，“本次融資完成後，猛獁將進入快速增長期。本輪融資所獲得資金，將主要用於解決方案的研發，和市場營銷體系的建立，同時以金融反欺詐產品為核心，與產業鏈上下游的夥伴展開深入合作”。