为了防止信用卡欺诈，机器学习算法识别你是谁

信用卡欺诈风险已成为困扰世界各地银行信用卡部门的问题之一。以美国为例，美联储支付调查报告显示，2012年美国信用卡支付总额达到260亿美元，其中未经授权的信用卡支付，即信用卡欺诈，金额达260亿美元。至 61 亿美元。 信用卡欺诈风险已成为困扰全球银行信用卡部门的问题之一。以美国为例，美联储支付调查报告显示，2012年美国信用卡支付总额达到260亿美元，其中未经授权的信用卡支付，即信用卡欺诈，金额达260亿美元。至 61 亿美元。 对于银行来说，衡量信用卡交易的风险很困难。为了实现这一目标，需要快速确定哪些交易是合法授权的，哪些交易是欺诈的。那么这些任务是如何完成的呢？ 从消费者的角度来看，检测信用卡欺诈的过程似乎很“神奇”。这种检测几乎是瞬间发生的，涉及一系列复杂的技术，从金融到经济学到法律到信息科学。当然，检测某些信用卡欺诈行为非常简单。例如，当机器发现信用卡使用地的邮政编码与发卡地的邮政编码不匹配时，就会发出警告。 传统信用卡检测需要大量人力参与海量数据的分析判断。该算法只会对一笔交易发出警告，人工审核员会打电话确认该交易是否涉嫌信用卡欺诈。现在，由于交易量激增，各大银行的信用卡部门已经开始依靠大数据，利用机器学习和云计算的方法来快速识别未经授权的信用卡交易。 用于信用卡检测的机器学习算法将首先在大量正常交易数据和持卡人数据上进行训练。交易结果将成为机器理解交易的重要维度。例如，一个正常人可能每周买一次电，每两周去一次商场等等，这些交易结果将成为正常交易的模型。 接下来，机器会通过实时交易数据进行测试，给出交易是否非法的概率，比如97%。如果检测系统将每笔交易非法的概率设置为不高于95%，那么所有这些交易都将被拒绝接受付款，换句话说，交易将不会通过。 该算法考虑了很多因素，包括卡供应商的信任、卡插入行为（时间和空间维度）、IP地址等。考虑的因素越多，建立的模型就越准确。 这个检测过程几乎是实时的，这也是人类工作人员无法达到的检测速度。但整个过程仍然需要人工参与，包括人工审核算法判断以及后续的信用卡欺诈追踪等。 金融交易过程中的数据量非常大。例如，PayPal 目前需要处理来自 1.069 亿用户的 1.1PB 数据。但对于机器学习来说，更多的数据意味着其自身算法的准确性可以提高，从而可以更好地识别信用卡欺诈事件。海量数据对银行IT系统的硬件要求非常高。数据存储、读取和分析已经成为巨大的IT开支。 目前，银行信用卡部门已经开始使用云计算作为处理海量数据的方式。云计算的弹性和可扩展特性可以提高机器学习算法的效率，有效应对双11等高峰期的信用卡检测。 围绕信用卡欺诈和反网络钓鱼的战争一直在持续。借助机器学习、大数据和云计算，以及未来可以实现的区块链技术，未来我们的钱包、卡钱包将会变得越来越安全。