在过去的一年，多个监管部门将防控金融风险为重点，随着各项工作的推进，已暴露风险的正有序处置，各种金融乱象得到有效遏制。2019年以来，针对金融风险防控多部门展开密集筹划，敲定重点监管领域，规划下一步政策措施。有业内人士表示，为使金融更好的服务实体经济，应当在稳增长的基础上防风险，为了守住风险底线，下一步将补齐监管制度短板，针对重点领域风险进行精准处置。
随着云计算、大数据、人工智能和区块链等新兴技术在金融行业业务形态变化发展，科技对于金融的促进作用正被不断强化，创新型的金融科技解决方案正不断诞生，也驱动了国内风控技术不断更新迭代。
数字化时代下银行赖以生存的客户关系被互联网侵蚀，资本利润率逐年下降，从2011年最高的20.4%，跌落至2018年第二季度末的13.70%。危机下求变，银行近期在数字化转型创新方面亦加大投入，同时开放生态，以在互联网时代争取更多的场景和流量。
从扁平的专家经验风控时代，到数据、模型驱动，再到算法、智能驱动时代，AI智能风控引擎大脑打造的全域风控系统，经受住了无数次黑产攻击、高并发处理，建立起事前事中事后的处理方式，保障阿尔法象已合作金融机构(银行、网络小贷、消费金融等金融机构)业务快速、平稳发展。
但线上化经营与传统线下经营不同，线上的风控挑战比线下复杂得多，究其原因，风控是一大痛点。银行拥有完备的线下风险能力，但未能适应线上数字化环境，业务开拓受限;一般银行的风险控制呈现滞后的特点，即风控系统上线后，持续几个月都无法动态更新，风控系统运维能力与业务拓展速度不平衡;数字化、智能化进程受阻，风控系统还处于专家经验型的规则时代，但互联网时代，数据的量级、维度已经是人工处理难以胜任的程度。
因此，如何在数字环境中认识客户、了解客户，同时开展金融安全风控，助力金融业务通过移动互联网等线上渠道高效开展，实现普惠金融，是当前银行业迫切需要解决的问题。
Security(安全)是阿尔法象BASIC三大技术开放战略之一，旨在用金融科技手段降低风险管理成本，提升客户体验，数据驱动风控能效，以数据驱动风险管控与运营优化。
阿尔法象的风控技术也是经历了多次升级迭代，才发展成一套以AI智能算法、生物核身为基础的多层级立体闭环风控系统，告别过去被动的事后风控，以及单纯的大数据模型风控时代。其基本逻辑是在不改变底层业务逻辑的前提下，运用机器学习模型和大数据平台的计算分析能力，通过不同维度的数据来刻画借款人特征，从而更准确的量化客户违约成本，实现对客户的合理授信。
智能、立体和闭环是AI智能风控引擎大脑的三大关键词，能的优越性无需多言，不可忽视的是“闭环”的重要性。因为在整个风控体系中，规则模型是一个非常复杂而且相互依赖的系统，如果系统不能够比较精准地定位，至少把风险异动的范围大幅缩小，我们将面临比较严重的运营管控问题。
阿尔法象风控负责人表示，AI智能风控引擎大脑的三大关键能力，它主要体现在四个方面：AI Ray(智能监控预警)、AI Decision(多层级漏斗智能识别与决策)、AI Insight(分析洞察)、AI Optimize(智能优化)。
1、AI Ray：智能监控预警
传统风险监控方式是系统级监控，例如将某个阈值设置在5%或者是10%，属于统一规则设置。AI智能风控引擎大脑将现在业务和系统融合起来，将业务经验预警和模型的智能预警相结合，能做到对问题的智能下探，自动监控。
2、AI Decision：多层级漏斗智能识别与决策
这是AI智能风控引擎大脑与传统专家风控系统是平面网状的系统最大的区别，传统专家风控的做法非常复杂且容易被攻破。而AI智能风控引擎大脑是五级分层的防控体系，即T0、T1，T2，T3，T4层，终端层T0是最接近客户的一层，T1、T2、T3、T4是服务器端层，T0在移动设备上作风险识别，贴近用户和异常，最容易发现问题;T1是快速识别层，比如判定某账号在相应的WIFI或4G环境下是安全的、是一个可信环境，那么就快速放过，这样把90%以上交易快速放过，可以极大减轻风控系统的压力;T2是深度识别层，这一层是风险识别的主战场，通过大量的风险策略与模型去判断这个交易是不是有风险;T3是异步识别层，针对一些特定场景和风险，使用复杂算法，比如深度学习算法，提升整个风控算法的覆盖率和准确率;T4是离线层。识别出风险后，在风险决策上使用模型驱动的个性化风险决策，给出最终的风险决策操作。在风险决策时，可做到千人千面，也可根据用户的喜好和可用性，适用性推荐不同的校验方式，例如老人尽量推荐使用人脸;手机丢失就不能使用短信验证了，就改为其他验证方式等。
AI智能风控引擎大脑特别强调“人机协同”的理念。计算机擅长的是存储、搜索、比对，这是重复性的工作。而人擅长的是洞察分析。通过计算机，可以实现快速定位异常，将可能的异常交易和对象缩小在一个相对较小的范围内，避免大海捞针，然后，由人来分析判定是不是风险。
4、AI Optimize：智能优化
策略的产生需要经过多维分析、策略推荐、仿真、上线等几个过程，时间和人力成本很高。采用机器学习可降低上述成本，即使是切换应用场景，仍有较好的效果。
来源：贵州网
声明：
1、中国周刊网所有自采新闻（含图片)，未经允许不得转载或镜像，授权转载应在授权范围内使用，并注明来源。
2、部分内容转自其他媒体，转载目的在于传递更多信息，并不代表本网赞同其观点和对其真实性负责。
3、如因作品内容、版权和其他问题需要同本网联系的，请在30日内进行。
责任编辑：杨文博
