业务背景和挑战

近年来,基于人工智能的反欺诈交易系统已经逐步在不少银行场景中实现了的落地实践,成为了银行智能化转型的关键一环。相比较于传统的基于专家规则的反欺诈交易系统,机器学习算法可以更加广泛的捕捉到不同维度的数据特征、更加深度的挖掘数据潜在规律,实现更高的准召率。

某银行客户原本的反欺诈交易系统是基于专家规则搭建的,面对日益增长和瞬息变换的业务,其在响应时间和准召率上都日渐无法满足发展需求。因此,该银行期望搭建一套全新的基于人工智能系统的事中反欺诈交易系统。但是,将人工智能技术应用于银行的事中反欺诈交易的线上系统时,其存在着不少的工程化技术挑战。

- 首先,银行要求线上业务毫秒级响应,对于系统的延迟和吞吐性能均有很高的要求;

- 其次,方案上线需要保证离线计算和线上推理的一致性,避免出现数据穿越、结果不一致等问题,因此需要昂贵的线上线下一致性校验成本;

- 最后,由于银行业务需求繁多,开发和上线新的特征脚本和模型的成本较大。

解决方案

该银行客户最终选型搭建了一套基于 OpenMLDB 作为特征计算和管理平台的人工智能反欺诈交易系统,下图显示了该交易系统架构图。可以看到,OpenMLDB 在整个系统中承载了机器学习特征计算和管理的关键角色,提供了全栈的 FeatureOps 解决方案。通过基于 SQL 的特征计算脚本开发,OpenMLDB贯穿于业务系统的离线开发、业务上线、自学习的整个机器学习闭环中,驱动着整个反欺诈交易系统的正确、高效运行。

图 1. 人工智能事中反欺诈交易系统架构

基于 OpenMLDB 搭建的反欺诈交易系统,可以很好的克服人工智能工程化落地到反欺诈交易系统的相关技术挑战。在性能层面,基于 OpenMLDB 高效的内存索引,整套系统达到了 20 毫秒的系统延迟要求;对于线上线下一致性,由于在离线开发、线上推理、自学习阶段都使用了 OpenMLDB 进行特征计算和管理,其线上线下一致性得到天然保障,不再需要额外的线上线下一致性校验成本;OpenMLDB 支持特征计算脚本通过 SQL 开发,极大地降低了特征开发、管理、上线的成本,也赋能了快速业务扩展落地的能力。

业务价值

基于 OpenMLDB 搭建的事中反欺诈交易系统给该银行客户带来了显著的业务价值:

- 准召率大幅提高:该银行客户将原有的基于专家规则的反欺诈交易系统升级为基于机器学习的算法,通过 OpenMLDB 的工程化加持,大幅提高了其反欺诈交易的准召率。

- 延迟响应大幅提高:随着业务量的大幅增长,客户原有的基于专家规则的系统不具备良好的扩展性,在响应时间上处于百毫秒级别,无法满足快速增长的业务。在使用 OpenMLDB 以后,基于其良好的响应和吞吐能力,使得业务响应时间缩短到 20 毫秒左右,满足业务快速发展和扩展的需求。

- 赋能业务快速扩展和上线能力:OpenMLDB 支持使用简洁的 SQL 开发特征计算脚本,并且天然保障线上线下一致性,支持快速开发到上线。基于以上特点,银行业务可以实现快速扩展,新的模型的开发和上线周期和成本都大幅降低。