在数字技术的支撑下，传统金融行业不断向线上转移，金融市场的体量和发展潜力被逐步放大。与此同时，其暴露的风险隐患也与日俱增，欺诈现象层出不穷，欺诈形式纷繁复杂，欺诈手段更是逐步呈现专业化、产业化、隐蔽化、场景化等特征。《2019中国数字金融反欺诈全景报告》显示，目前各类金融场景中欺诈行为已超过100种，2018年至2019年，科技金融领域针对客户资料及企业重要业务数据的安全事件比例高达44%。可以说，新的互联网黑、灰产大军正在猛烈地撞击金融行业的风控“大门”，而传统风控手段显然已经应对乏力。
据DataVisor维择科技中国区首席运营官杨居正博士介绍，设置黑白名单、制定风控规则、设计基于有监督机器学习的风控模型是常见的反欺诈手段，在一定程度上能有效对付欺诈行为，但是很多时候这些手段只能起到“亡羊补牢”的作用。黑白名单仅用于检测，覆盖率和准确率有限；网络黑产已然呈现欺诈形态变化快、攻击呈现出团伙型的特点，传统规则极易被突破且难以拦截新型欺诈；有监督机器学习不仅需要大量人工标注数据来训练检测模型，数据更新还费时费力，在检测、预防未知的欺诈行为方面终归“跑”得慢了点。显然，传统风控模式已经不能满足金融行业当下业务中产生的海量数据实时分析和多样化风险识别的需求。
“风控就像一场猫鼠游戏，易攻难守，提前识别和阻止欺诈行为非常重要。”杨居正说。如何走在欺诈发生之前，提前对未知风险进行识别及规避是改善金融科技日益增长的风控效能需求同落后的风控模式之间的矛盾的重要课题。
近几年，“无监督机器学习”的适时出现及活跃可以说为金融风控注入了一针强心剂。作为全球首家将无监督机器学习技术运用到流量检测的企业，DataVisor维择科技近年来在打击网络黑灰产、助力金融反欺诈方面成绩斐然。
截至目前，DataVisor维择科技在全球范围内累计处理超过1万亿次用户事件，检测出超过2亿的坏用户，保护了来自全球大型互联网公司和金融机构的超过45亿用户，服务客户包括中国平安、浦发银行、财付通、字节跳动、京东、美团点评、快手、陌陌等。杨居正表示，这些成绩都离不开无监督机器学习的支持。
“无监督机器学习无需输入数据形成标签即可使用，不仅如此，它还可以计算出相应的函数来描述‘无标签’输入数据之间的隐藏关联，自动发现新的滥用、盗号和洗钱等欺诈行为。例如，在一群用户注册事件中，DataVisor维择科技UML引擎能通过聚类分析和图形分析发现其中一些用户在某些维度上有高度相似或者关联的地方：注册时间集中，更新账户信息时间相同，都使用了某操作系统，某一个浏览器版本等。如果多个帐户在许多看似不重要的特征上有很强的关联性，这就会令人生疑，同时UML引擎也会检测到这种情况，即使通常情况下，这些行为不会被认为是交易欺诈的重要特征。”杨居正在2020“数博发布”活动现场介绍道。
无需标签和训练数据，能够实现实时在众多滥用、欺诈或洗钱帐户中发现微妙、潜在的模式的无监督机器学习引擎，作为传统风控的升级补充，无疑能极大提升金融机构在金融管理、排查、监控、预面的能力，这也正是其在金融风控领域一时风头无两的重要原因。
杨居正坦言，虽然无监督机器学习给智能风控提供了新思路，但是由于技术应用尚不成熟、底层基础设施尚不完备、行业标准尚有缺失等原因，智能风控行业的发展现状仍不容乐观。在数字化和智能化不断加深的背景下，构建新型风控生态圈需要监管部门、金融机构、用户等各方共同参与，在技术不断精进的情况下，完善智能风控行业相关规定、促进智能风控行业自律等也应该成为智能风控体系建设的重点发力方向。
谈及未来的发展，杨居正表示，DataVisor维择科技将持续深耕技术，为全球企业提供欺诈检测服务，同时，也希望借助如数博会这样的国际化平台，与更多产业链中有特定行业覆盖的IT使能者、行业解决方案提供商进行通力合作，加快AI产业化进程，为维护金融安全和市场秩序持续贡献力量。