同一個位址同一個 WiFi 下，一個訂單流進背景後，又一個不同使用者 ID 的訂單流入，緊接着又有連續數個不同的訂單湧入。單看每一單似乎都正常無誤，一隻黑色的「爪牙」已經在悄無聲息地行動了。
隻有機器敏銳地捕捉到了這一切，隻見每個訂單的風險分都在上升，系統亮起鮮紅色的警示，當機立斷攔截了這一位址下的訂單，當機「使用者」的消費金額，一次别有預謀的黑産行動被粉碎。
然而如餓狼一般的黑産，保持着敏銳的嗅覺，一旦嗅到金融風控的「口子」，便會撲上去狠咬一口。
作為一家金融科技公司，與隐匿在暗處的黑産「相搏」，大概是樂信每天的日常。
人工智能正在成為樂信的一柄利器，不僅僅應用于驚心動魄的反欺詐，更有來自一線千億級業務的大規模 AI 實踐。
對樂信而言，這不僅僅是一場事關公司 2000 多号人生存的鬥争，更是一場關乎信任的鬥争，在樂信的身後是 5000 多萬的消費者與近百家金融機構。
01、一場尋找最優解的求索
2013 年，彼時在騰訊财付通做産品總監的肖文傑，發現了一個年輕人的「尴尬」，他們成長潛力巨大，消費需求旺盛，但往往囊中羞澀支付能力不足，并且小額信貸也不被傳統金融機構重視，他們的消費需求一直得不到滿足。
能不能通過網際網路金融改寫這一局面？正是對這一問題的探尋，肖文傑于當年 8 月創立了樂信的前身分期樂商城，聚集消費者、商品、資金方，開啟分期購物的早期探索。
「分期購物」這一概念在今天看來似乎稀疏平常，可是放眼 2013 年，對于一家創業公司，這無疑是一次冒險的嘗試。當年被稱為「網際網路金融元年」，一切都剛起步，呼聲最高的 P2P 金融如今最是慘淡。至于消費金融，市場更沒有成熟的模式供參考。即使是天然具備電商場景的阿裡與京東，也才在接下來的兩年中，分别攜花呗與白條入場。
簡單來說，樂信所做的核心事情就是比對，消費者希望貸款購買想要的商品，金融機構希望把錢借給合适的人，核心就變成了如何在消費者、平台、資金方三者之間尋找一個利益「最優解」。
真實的場景是這樣的，比如剛剛工作的小明想要買一台無人機，因為不想讓生活太過緊巴而選擇分期購物，他希望可以快速（實時響應）獲得借款，并且用更多的分期來減輕生活的負擔。
作為資金方的銀行或金融機構，每家對于人群、風控、額度、分期等的要求都不同，比如說一家河南的消費金融公司，它可能隻承接本省周邊幾個地區的借款，額度控制在 1500 元以内，分期不要超過 12 期；并且有的銀行對壞賬的容忍率極低，有的則相對寬松一些。
另一方面，作為平台，樂信金融科技的特點是小額借貸，大多在 2000 元以内，但訂單量大，日訂單往往達百萬量級。這意味着樂信必須盡可能把金融成本做到最低，才能實作平台收益最大化。
面對三方不同的利益訴求，靠人工去比對顯然不現實，一方面業務量巨大，等人工稽核比對完了，使用者可能已轉身離去；另一方面，即使是諸葛亮在世，也很難在近百家金融機構間周旋，找到一個三方之間的最優解。對樂信而言，這無疑是一道商業模式能否跑通的坎。
這時樂信将目光投向 AI 技術，邀請前騰訊 74 号員工、擁有豐富履曆背景的史紅哲加入，擔任公司副總裁，全面管理公司技術體系。
彼時，樂信已形成了一個明星管理團隊，除了 CEO 肖文傑外，還有同為騰訊财付通的戰友，曾經微信支付總經理的吳毅，擔任集團總裁，二人可謂是首批既懂網際網路又懂金融的行業精英；首席金融官喬遷和首席風控官劉華年均是擁有十多年從業經驗的行業資深專家；史紅哲的到來則補上了技術這塊「闆」。他們将各自的勢能疊加，将網際網路、金融、風控、技術這些元素融合在一起，構成了樂信最核心的力量。
吳毅（總裁，上排左一），肖文傑（CEO，上排左三），劉華年（CRO，上排左四）
史紅哲（VP，下排左一），喬遷（首席金融官，下排左四）
回到技術線，在史紅哲的帶領下，樂信于 2017 年 10 月成立人工智能研究院，系統布局機器學習等 AI 技術，開啟一場尋找最優解的數字旅程。
史紅哲介紹，運籌學、機器學習在智能比對中發揮了重要作用。分期樂商城中的每一筆訂單流入平台後，通過機器學習、梯度配置設定等 AI 算法和規則引擎，系統根據消費者狀況對資産進行分級、定價，再結合資金方的要求，系統會根據各種權重計算出一個比對值，可以類比推薦系統，分數越高越符合最優解，樂信選取分數最高的幾家，依次推薦給金融機構做選擇，直到完成最優比對。
這一技術最終演進成樂信的「蟲洞」系統。蟲洞是一個實體學概念，意為連接配接宇宙中兩個遙遠時空的最短路徑，也代表樂信對技術的追求。
蟲洞 圖檔來自 Shutterstock
使用 AI 自動比對消費者和資金的另一個優勢是效率的極大提升。目前，「蟲洞」系統已經可以做到人工「零幹預」，百萬訂單秒級對接，全年承載資産管理規模達千億級。
正是這一役，讓樂信站穩了腳跟。
02、與黑産相搏
然而用技術探尋最優解的過程總有「黑天鵝」發生，黑産湧入，欺詐随之而來，在一次次欺詐與反欺詐「驚心動魄」的戰事背後，AI 正在成為樂信的「神兵利器」。
2013 年前後，在消費金融的初期，行業基本沒有欺詐行為。然而随着消費金融逐漸走熱，嗅到可乘之機，早期的信用卡欺詐團夥、羊毛黨等紛紛轉入，2015 年後整個黑産迅速壯大。
據《中國數字金融反欺詐報告（2019）》顯示，截至 2018 年，我國黑産從業人員已超 200 萬人，市場規模達千億。金融欺詐也呈現出數字化、專業化、小額高頻、團隊作案的特征，涉及幾百号人的欺詐案件時常發生。
史紅哲指出，欺詐可以分為十多種類型，其中最嚴峻的就是中介詐騙和電信詐騙。而諸如僞造身份之流，則随着人臉識别技術的成熟，已不再構成欺詐的核心。
以中介詐騙為例，詐騙團夥往往租一個房子，打着「刷單沖業績」之類的旗号，慫恿附近的年輕人用自己的身份資訊注冊貸款，比如分 24 期購買一台 iPhone 手機，騙子會承諾由他們負責還款，并許以對方一定的好處，之後卷貨走人。一些人警惕意識不強，或被一些小恩小惠遮蔽了雙眼，就很容易上當。
更為嚴峻的是，從單個訂單來看，這些欺詐訂單與正常訂單基本無異，使用的是使用者的真實資訊，依靠傳統風控的人工稽核或專家規則很難發現。反欺詐能力已經成為消費金融企業必須跨過的一道「鴻溝」。
在與欺詐行為的鬥智鬥勇中，樂信依托 AI 技術，從資料洪流中練就一雙「火眼金睛」。
史紅哲指出，樂信構築了一個四重反欺詐模型「試煉」體系，通關者（信用良好）才能獲得借款。它是 AI、專家規則、黑名單等的有機結合，是真正從實戰中磨砺出的 AI 反欺詐法則。
首先第一層是黑名單，樂信通過對網際網路失信記錄的爬蟲、外部合作資料，構築了一千多萬的黑名單，還有上千萬的灰名單體系。當一個訂單進入系統，命中黑名單的「玩家」直接淘汰出局。
第二層是專家規則，在與欺詐勢力相搏的過程中，技術團隊同風控團隊共同協作，用「腦容量」構築的一道防線。
第三層是 AI 模型，通過對曆史資料，尤其是欺詐樣本的學習，機器學習算法就會自動學習欺詐的相關特征，比如交易時間、地點、金額、行為序列等等，然後用這些特征細緻入微的審視每一個訂單。
比如當一個正常使用者下單時，他通常會浏覽不同的商品，貨比三家後下單，其行為資料在浏覽頁面時長、下單間隔等方面會呈現出不規則的特點。但如果一個使用者出現規律性下單，相比正常使用者的「離群特征」，這部分使用者就屬于「高危使用者」。
這種「離群特征」靠人工稽核幾乎很難發現，隻有通過機器學習，經過大量的計算分析，才能識别。
如果把第三層曆練看做個體微觀式的觀察，那麼第四層就是「全景敞視監獄」。一些訂單如果從單個訂單的次元來看，可能完全正常，但如果上升一個次元，放到訂單洪流中去觀察，往往就會别有洞天。
比如通過「複雜網絡」，可以計算下單人與黑名單或灰名單的相關性，相關性越高代表風險越高；再比如通過聚類分析，如果同一個 WiFi 節點下出現數十個訂單，或者大量訂單湧向一個位址，都很可能是欺詐行為，一些訂單就會「原形畢露」。
這四重「試煉」是樂信反欺詐技術體系的核心，縱向構築了樂信反欺詐的壁壘。而在橫向上，樂信還引入了反欺詐實時監控、反欺詐實時排查、反欺詐資訊庫、反欺詐輿論收集體系，構成了樂信反欺詐的橫向資料基礎。
經過四重考驗，系統會根據不同的權重，給予每一個訂單一個風險分，風險分高的系統會自動拒絕，風險分合格通過稽核，中間的少部分則交由人工二次稽核，進而做到效率與風險的最優解。
史紅哲透露，使用了 AI 技術後，樂信平台的年欺詐資産迅速下降了七八成左右，過去一年幫助消費者挽回近 5000 萬損失。
《中國數字金融反欺詐報告（2019）》也顯示，2018 年銀行卡欺詐率約為 1.16BP，而樂信平台的欺詐率僅為 0.003BP，即三百萬個交易中可能有 1 單發生風險，壞賬率遠低于銀行。這正是 AI 所帶來的價值。
這些技術最終都沉澱在樂信的 AI 風控引擎「鷹眼」中。史紅哲稱，「鷹眼」引擎目前已擁有 7500 多個資料變量，98% 的訂單機器自動完成，日均處理百萬筆訂單，相當于 3000 名稽核員的工作量。
正是在這一領域亮眼的表現，今年 3 月，哈佛大學推出首個 Fintech（金融科技）精品課，樂信作為中國金融科技公司代表入選課程案例。7 月樂信再獲得有金融「奧斯卡」之稱的《亞洲銀行家》「中國最佳信貸技術項目大獎」。
人工智能，可謂構築了樂信關于信任的「生命線」。
03、技術的背後
用 AI 技術守護樂信信任「生命線」的，不僅有技術團隊攻堅克難，更有風控團隊與業務團隊的緊密配合。在企業一線的實戰中，技術的關鍵不僅是用了什麼模型，取得了什麼效果，更重要的是如何與業務協同配合，讓技術内化為全公司的信仰。這是樂信 AI 實踐的另一個次元。
技術與業務的均衡發展，以及在發展的不同階段動态調整二者的關系，對于任何一家公司都是一個挑戰。
傳統金融機構進行數字化轉型時，往往會引入一個統一的科技部，由業務部門提技術需求，IT 部門進行實作，它更像是一個「後勤」部門。但這一模式的弊端在于靈活度不足，不同業務部門的需求難免「撞」到一起，先做哪個後做哪個，難免産生需求排期，業務很難快速疊代。
2017 年初史紅哲以技術副總裁的身份加入樂信後，所做的第一件事就是技術平台與業務、業務與業務之間的解耦，将技術團隊分為橫向的平台團隊（即中台），和縱向的業務研發團隊。
其中平台團隊的關鍵是進行基礎研發，為業務團隊提供統一的工具平台，比如應用開放架構、資訊安全、雲服務、伺服器等基礎設施。業務團隊可以友善的調用 API 接口，靈活、快速的實作業務構想，在保持疊代速度的同時，形成一個業務閉環。
尤為重要的是，樂信的業務與業務之間有很強的耦合關系，比如從前端的獲客，到風控，再到後面的資金比對等，雖然各個環節的技術研發掌握在業務線手中，但它們共同構成一個大的消費信貸業務。這還需要在技術的平台層面進行頂層的設計與協調，才能在研發效率與品質上做到一個平衡。
作為一家創業公司，在市場早期階段，業務的高速增長與快速疊代尤為重要，技術落地第一步，首先是業務導向，服務于業務的增長。當業務穩步增長後，技術又要能夠驅動業務，讓技術内化為全公司的信仰。
最初樂信的業務疊代中也會用到一些機器學習模型，但并不系統。史紅哲認為，作為一家金融科技公司，特别是在風控、商品推薦、資金比對等環節，如果沒有一個強有力的 AI 團隊做算法的基礎研究，僅靠業務線的能力很難做好。
于是 2017 年 10 月，樂信成立 AI 實驗室，隸屬技術平台下，圍繞風控系統、智能推薦、智能比對、深度學習等方面進行系統的技術研發。
技術團隊擴充至今天，已形成五六百人的規模，主要分為三個中台，分别是 AI 中台、資料中台、業務中台。史紅哲還透露，近期公司也在将大資料團隊和 AI 團隊做進一步整合，成立一個大資料智能部，将資料和 AI 的力量進一步集中，驅動業務的發展。
除了前文重點介紹的反欺詐應用外，從前端的使用者增長，中端的商品推薦與營運，後端的智能比對等，樂信已經将 AI 引入業務的全鍊條，依托大規模 AI 場景實踐，推動效率的提升。
這一成果也反應在樂信近期公布的 2019 年第二季度财報中，營收達 25 億。這是公司自 2017 年底上市以來，連續七個季度營收呈雙位數增長。
而在研發上，樂信第二季度投入達 9970 萬，比去年增長 27%，這在金融科技企業中，已屬較高水準。其中大資料和 AI 就是重點投入闆塊。
04、下一步，打破「資料孤島」
樂信的大規模 AI 場景實戰仍在繼續，下一步史紅哲認為，應該打破「資料孤島」。
在他看來，當下金融科技行業最大的挑戰是資料的挑戰。當下 AI 的流行，核心仍然是基于資料，擁有優質的、海量的資料，相應的模型的訓練效果就會好。
但企業往往隻擁有使用者的某一類資料，這就好比一個個「資料孤島」，即使是 BAT 級别的網際網路巨頭，資料也不健全，畫出的也隻是使用者的部分畫像。如何打破資料孤島，擷取更多元度的資料資訊，也是學術界前沿的研究領域。
史紅哲也提出兩種解決辦法，一種是類似聯邦學習的聯合模組化方式，企業間在保護使用者隐私的基礎上，共享加密後的資料參數。另一種是如何在小資料的情況下，進行更精準的機器學習。
此外，在算法層面，面向具體應用也存在很大的優化空間。比如複雜網絡，它的特點在于資料量大，但資料較為稀疏，即資訊量較少，如何用更先進的算法從複雜網絡中提取更多元的資訊，樂信也會不停的探索下去。
畢竟關于信任，這是一場永無止境的建構過程。
本文為機器之心原創，轉載請聯系本公衆号獲得授權。