在智慧金融时代，通过科技的创新，AI与大数据成了提高金融效率的重要依据。随着各种前沿技术相继投入到智慧金融场景流程中，金融的智能化水平也因此获得空前提升。
然而，回归到金融本质，不论传统金融或者智慧金融都面临着一项绕不开的门槛，那就是反诈欺，抑或被称为“风控”模型。
对传统金融而言，风控模型无非建立在央行征信体系基础上。据统计，在中国逾13亿人口之中，央行征信数据库建档人数虽已突破9亿人，但真正能生成征信报告的人群却不足4亿人，而当中真正能从银行取得信贷的人数则只有50%至60%。这也构成了银行业中不成文的“二八定律”。
“二八定律”是指商业银行竞相通过竞价的方式向前端20%的优质客户提供授信，但后端80%的潜在客户却因信息不对称而无法获得授信服务。对此，通过AI加大数据建构多维的风控模型，为后端80%无法获得授信的潜在客户计算出信贷成本便成了智慧金融在金融场景中最重要的创新。
而其中，如何对素昧平生的陌生人进行身份认证，排除诈欺风险便成为智慧金融平台风控的主要挑战。随着智慧金融平台搭建渐趋完善，通过线上数据从事借贷，并且有效甄别诈欺团伙通过“薅羊毛”方式杜绝诈骗已成为可能。在此，我们将简单就反欺诈系统进行介绍。
一般来说，在智慧金融平台上，不论是运行还是监控都十分麻烦，因此需要一个工作调度引擎来对系统层面的调度进行管理。在实际运作中，反诈欺风险大致能细分为：
1.身份冒用：非法获取他人账号、密码、身份证号等，以受害者的名义使用借贷服务，从中获利的欺诈行为。
2.资料造假：为提高信贷额度或降低信贷成本，恶意伪造借款资料的欺诈行为。
3.团伙欺诈：以欺诈为目的聚集起来的不良用户群体，以团伙的形式相互掩护，相互担保，共同作假以骗取信贷的欺诈行为。
4.不良中介：不良中介是特化的团伙欺诈，即团伙中的部分人不在以欺诈为盈利手段，而是以帮人欺诈、帮人作假或者教授别人欺诈并收取高额手续费为盈利方式的一批犯罪团伙。相较于前面三种，不良中介的危害更大，整个组织分工更加明确，隐蔽性更好，专业性也更强。
从危害性和调查难度来看，我们有如下结论：
这种模式的特点在于就诈欺背后的行为模式进行深度分析，并针对数据进行标注，进而对机器进行持续的训练以提高识别诈欺的精确度。
但是随着业务量的持续增长，这种模型的缺点也暴露了出来，人力过于密集，调查的速度跟不上业务发展的速度。好在这个阶段我们积累了大量的经验和知识，同时获得了大量的欺诈用户样本，反诈欺系统也因此获得升级。
黑科技的出现也解决了反欺诈系统原先的人力密集型问题。“明镜系统”解决了最核心的问题便是通过构建知识图谱来提高反欺诈调查的效能。
为了解决这个问题，我们引入了知识图谱，用所有用户和用户之间的关联构成图，使用不同的图标来标识不同类型的用户和不同的设备，给调查人员直观的展示欺诈用户的关联网络。
首先，新人培养成本高，周期长，新人的经验只能靠言传身教和工作积累，从培训开始到正式调查需要经历若干个月；
其次，老员工离职成本高，离职后他所特有经验和知识无法留存下来，对公司来说是很大的损失。
为了解决这些问题，我们和业务人员进行了合作，将比较有用的规则提取出来，加入明镜系统，配合合适的可视化界面，让调查人员对用户风险有比较直观的感受；同时，这种直观对调查经验本身没有要求，大大降低了新人调查的门槛；在功能上线后，业务部门反馈经验可视化加上复杂网络，调查人员能够非常快速的定位疑点，人力绩效也得以大幅提升。
3. 从人工主动调查到模型推送
原有反欺诈调查的模式人工效率较低的很大一个原因，是因为原有模式下欺诈命中率较低，调查的案件中大约只有10%左右是真实欺诈案件。针对这个问题，结合大量的业务经验，结合深度学习和对抗网络生成了反欺诈案件模型，将准确率从原有的10%提升到了接近90%，大大提升了调查人员的调查效率。
所以在明镜系统中，我们有个单独的爬虫系统从外网汇聚各种有用的信息，帮助调查人员跳脱公司数据层面，从更高的层面来审视一个用户的欺诈风险。
在该系统中，风险一体化获得解决；再则，通过自有数据为基础的数据服务，从信用分、团案分、设备分等进行统计分析，数据得以通过打包的方式进行使用；最后，对云端的开放，这套反欺诈系统得以被移植到各种场景进行应用。自此，反欺诈不单只是FinTech领域内的一项利器，也能通过接入其他场景，发挥到更加强大的功能。
