玉山將自行開發的信用卡盜刷偵測模型放置於MLaaS平臺上,透過API呼叫方式,讓業務系統快速取用AI推論結果。(圖片來源/玉山金控)

不只有數百萬張信用卡在市面流通,玉山銀行每天還得處理數十萬次的刷卡交易。如何從這些交易中揪出異常行為、即時攔截,是玉山一直面對的難題。

規則式系統仰賴人工調整,趕不上盜用行為變化

過去,玉山銀行仰賴一套傳統規則式系統,靠其中的上百條固定規則,來偵測信用卡交易異常行為。

但玉山金控科技長張智星指出,這種規則式系統,每月需要人工調整一次規則和參數,不僅難以捕捉快速變化的盜冒行為,還會產出大量異常名單,得耗費大量人力一一打電話確認。

為改善這個問題,玉山發起一項AI專案,要用刷卡歷史資料,訓練一套信用卡盜刷偵測模型,來判斷盜刷風險。他們想藉此減輕銀行人力負荷、提高辨識準確度。

0.1秒揪出異常、年省上億元損失

首先,他們透過探索式資料分析,產生了將近400種因子的模型資料庫,再使用整合式決策樹演算法,來提高模型的泛化程度和預測能力。

經反覆測試、確認模型穩定後,他們將演算法程式打包,部署至機器學習即服務(MLaaS)平臺上,來讓業務系統以API呼叫模型。

在使用流程上,可分為兩部分,一部分是批次資料處理,先將原始資料加密、寫入專屬資料庫,再送至特徵工程主機,進行特徵工程處理。另一部分是即時資料處理。每當信用卡處系統接收一筆交易時,就會呼叫MLaaS平臺的盜刷偵測模型API,上傳這筆交易相關參數、讓模型判斷盜刷風險。

進一步來說,每次執行AI推論時,會先從特徵資料庫中索取特徵資料,提供給模型,用來計算風險。之後再將這筆交易的盜刷機率數值,回傳給前端信用卡處系統,讓前端系統決定交易是否終止。此外,前端系統也會依據風險程度,來啟動相對應措施,比如電話通知、簡訊通知等。

這套信用卡盜刷偵測模型在2019年正式上線,當時可在1秒內回傳推論預測結果。但玉山並未停步,他們幾經改良,最後讓模型在0.1秒內,就能回傳盜刷風險。玉山統計,這套模型在2020年替玉山阻擋了上億元的損失。

 


熱門新聞

Advertisement