开发者学堂课程【PAL 平台学习路线：机器学习入门到应用：客户分享:智能风控 未来已来】学习笔记，与课程紧密联系，让用户快速学习知识。
课程地址：https://developer.aliyun.com/learning/course/855/detail/14138
客户分享:智能风控 未来已来
内容介绍：
一、阿里云机器学习赋能
二、智能风控策略体系
三、智能风控中代表性算法
四、智能风控依靠云计算能力
五、展望未来
一、阿里云机器学习赋能
阿里巴巴集团和蚂蚁金服风控体系沉淀了许多能力，不管对特定风险识别还是对风险对象的识别，都可以一同营造真实美好的多元互联网商业和社交环境。阿里云风控服务的赋能方向就是决策引擎。在不同场景下，使用什样规则和算法产生风险决策，本身有一定复杂度，因为策略部署，运维以及后续管理等一系列问题很复杂，阿里云把阿里内部能力输出，对生态也有很大帮助，其次阿里云机器学习赋能，不管国内还国外，许多一线算法工程师写的都是数据处理代码或部署代码或胶水代码，只是标准化算法搬运工。所以可以通过机器学习平台来插件化、模块化、拖拽式来完成工作，把一线算法工程师解放出来，能够更专注于业务问题解决以及建模，尤其风控面对大量不确定性，在建模和模型评估环节需要大量时间，好的机器学习平台，就能让一线算法工程师不注重于搬运代码。
二、智能风控策略体系
智能风控策略体系，风控策略主要包括规则和算法两大部分，例如新业务会出现许多新情况，有许多业务底线要遵守，有不能承担资损，有不能容忍用户行为，所以此时需要用规则做业务兜底，而许多时候风险是突发的，如何能够快速止损，此时必然要通过有效规则来实现，因为此时做算法来不及。从特征上来说，规则许多时候就是用很强特征直接做判断和识别，而且规则依赖专家经验，也就是人对于业务的理解和对于数据的理解，算法许多时候随着业务发展，就有许多油水，此时算法更多的角色是深度的对抗，其次算法有很多细致工作要做，周期也较长。从特征上来说，算法更多时候，是强弱特征共用的过程，算法也就是人工智能。
三、智能风控中代表性算法
图神经网络学习是第一层次，小红书作为社区，有用户和笔记关系，也有用户和用户之间关系，组成了社交网络，使用吉西恩训练的时候，就自然会获取用户笔记作为点上特征，以及各种交互 interaction 之间的特征来进行学习。因为图上社区发现在风控领域也热了许多年，小红书作为社区，其中有人喜欢美妆，有人喜欢汽车，本身是天然兴趣社区，其次作为黑厂来说，有许多团伙特性出现，也可以看作是一种社区，图上社区发现背后数学原理许多都是用随机游走思想。标签传播算法，因为风控有许多经典场景，能很轻易获取黑样本或白样本，但此时数量不够。标签传播算法，可以作为经典场景，通过相似关系，把黑白样本扩充出来，获得更大黑白样本集合和需要信息。迁移学习，许多时候风控也对特定文本，或特定图像识别某种特定风险 pattern，但作为风控算法团队，很难训练 bert 或 imaginette模型，要进行迁移学习来快速识别想识别的风险 pattern。
四、智能风控依靠云计算能力
许多公司，一开始追求的是业务成功或算法成功，没有办法沉淀大后台，缺少东西的时候，如何来开始工作，例如许多新业务刚上来，本身风险积累就较少，此时就可以考虑引入云风控服务，其次想做人工智能，许多时候缺乏人工智能硬件，管理硬件平台以及如何完成模型训练，此时云上资源，云上平台是一种好的选择。尤其是键已经配妥了以后，开始要做模型和算法工作的时候，模型运维成本很高，要持续观察模型表现以及新模型文件替换流量测试，此时需要自动化平台来工作，其次还有一线算法工程师，许多时候缺乏开发能力，例如图神经网络，让一般算法工程师很难完成任务，很少有人能胜任这样的工作，只能进一步封装专业化，计算库，寻求生态圈内合作伙伴来解决问题。
五、展望未来
随着人工智能发展，智能虽然越来越强了，但还有许多重标注的任务以及随着新业务，往往伴随着新风险，专家知识依然要为风险把关，其次许多标注任务与生态有关，需要专家知识。因为风控要面对的对象很多，有图、文本、视频、关系、行为，对各个领域算法，都要有了解，都能够应用进行风控。技术上有许多东西需要攻克，随着神经网络使用越来越多，神经网络本身很容易被反帝攻击；其次还有联邦学习，生态圈中如何能更好的赋能和被赋能，联邦学习探索的方向，就不单是结果之间的赋能，其次含有大量技术要突破，例如图神经网络，每个GPU利用率较为低。风控对时间要求严，在特定时间就一定要出结果，所以提升很重要。但不管技术如何发展，决定战争胜负还是人的因素。
