AI與機器學習是如何增強美國運通的整體客戶體驗的?

多年以來，美國運通一直是人工智能與認知技術領域的領導者。作為坐擁有龐大忠實客戶群體的全球金融服務機構，保障客戶賬戶安全一直是運通職能的重中之重。在很長一段時間里，發(fā)現(xiàn)并制止欺詐行為一直是美國運通公司的首要任務。而人工智能在近年來的快速發(fā)展，則真正將運通的欺詐檢測能力推向新的高度。

近期，美國運通公司身份與認證策略全球負責人Rajat Jain分享了如何成功運用機器學習技術檢測并發(fā)現(xiàn)欺詐行為，如何利用AI與機器學習提升運通公司的整體客戶體驗，包括AI技術采用方面的一系列重要洞見。在本次訪談中，他分享了美國運通在AI及機器學習（ML）應用方法方面的觀點，介紹了運通在欺詐檢測方面的領先優(yōu)勢，同時講解了運通公司在人工智能技術應用方面的幾點重要思路。

美國運通在各類流程當中應用AI與機器學習技術的歷史有多長？

Rajat Jain： 可以說是歷史悠久了。美國運通的領導層很早就意識到數(shù)據分析與技術的作用與價值，這也推動我們在風險、市場營銷以及服務領域積極推進機器學習轉型。2010年，我們開始研究機器學習技術，并著手評估其在核心業(yè)務流程中的潛力，包括信用風險分析與欺詐檢測。2014年，我們實現(xiàn)了機器學習模型的首輪大規(guī)模應用，借此實現(xiàn)欺詐檢測。與之前的非機器學習模型相比，我們的檢測效率即刻提升達30%。

根據尼爾森報告（The Nilson Report），我們在消除欺詐方面付出的不懈努力，幫助運通公司連續(xù)13年保持著業(yè)界最低的欺詐率——實際上，我們的損失率僅為其他主要支付網絡的一半。

美國運通是如何使用先進機器學習技術進行欺詐檢測的？

Rajat Jain： 我們努力使用最新、最先進的機器學習技術保護我們的支付卡會員及商戶免受欺詐活動影響。我們的機器學習算法實時監(jiān)控全球每一筆運通卡交易——年交易總額超過1.2萬億美元。更重要的是，我們能夠在幾毫秒之內快速做出欺詐判斷。我們用于監(jiān)控欺詐活動的一項核心技術正是有序RNN。通過對數(shù)據進行有序分析，我們得以了解各項交易之間的關系，從而更快識別出無意義支出——或者按我們的話說，“異?！敝С?。簡而言之，如果某位客戶上午10：00在紐約買了一杯咖啡，但在10：05就在洛杉磯郊外給車子加油，那我們就會立即判斷出其支付卡已經被盜用。

AI與機器學習技術，同以往的欺詐及風險管理方法有何不同？

Rajat Jain： 數(shù)十年以來，金融服務企業(yè)一直在采用各種最先進的新興分析方法，借此保護客戶的個人與賬戶信息。而這一切，都是為了能夠與行動同樣迅速的欺詐分子比拼速度。在我看來，目前金融行業(yè)阻止欺詐活動的真正突破性進展，就在于機器學習技術。與以往的邏輯回歸模型相比，機器學習具有三大核心優(yōu)勢，具體包括：

· 更高效地捕捉非線性趨勢與變量之間的相互作用，借此提高檢測準確率。

· 快速部署單一全局構建解決方案，以敏捷方式捕捉跨越多個地理區(qū)域的趨勢。

· 提升團隊業(yè)務吞吐量，幫助他們將更多精力投入到更重要的數(shù)據科學議題當中。

AI與機器學習是如何增強美國運通的整體客戶體驗的？

Rajat Jain： 美國運通的機器學習創(chuàng)新正引領新一波非技術性應用優(yōu)化，即創(chuàng)造出世界一流的客戶服務體驗。擁有支付卡的會員無疑是我們最為關注的寶貴財富，而保持更低的欺詐率則是鞏固會員信任、挽留用戶群體的核心前提。每年都有成千上萬的數(shù)據點與數(shù)十億項決策涌入同一套系統(tǒng)，這套系統(tǒng)則為消費者及企業(yè)提供當今世界上最重要的服務——安全的支付通道、更快的決策速度、實時客戶溝通以及世界頂尖的欺詐保護與處理方案。

您如何看待AI與機器學習技術對于整體客戶體驗的影響？

Rajat Jain： 最重要的是如何將數(shù)據中的各個點連接起來，只有實現(xiàn)這項目標，我們才有可能為客戶帶來世界頂尖的日常使用體驗。結合當下背景，這意味著我們需要向客戶證明我們認識他們、了解他們的需求，而且有能力在每一次數(shù)字交互中為他們提供需要的支持。例如，我們使用機器學習技術檢測欺詐活動，而后將實時數(shù)字通知交付至支付卡的注冊者處。通過這些警報（通過電子郵件、短信以及移動應用的實時推送），我們幫助持卡會員更輕松地監(jiān)控自己賬戶可能遭遇的欺詐活動。

您能否分享一點關于美國運通在AI技術應用方面的一些有趣，或者說令人驚訝的故事？

Rajat Jain： 美國運通的數(shù)據科學團隊由一大批擁有碩士及博士學位的數(shù)據科學家們組成。他們永不滿足于現(xiàn)狀，他們不斷提升自己的技能。在數(shù)據科學這個不斷發(fā)展的領域，我們意識到獲得成功的唯一途徑就是不斷學習并嘗試新興技術。團隊會定期評估現(xiàn)有模型的優(yōu)缺點，并找到切實滿足客戶需求的創(chuàng)新方法。實際上，我們計劃在下個月發(fā)布X世代欺詐模型，將采用我們的最新創(chuàng)新技術捕捉更多欺詐行為。

您認為對于銀行業(yè)務流程來說，目前最大的AI與機器學習應用限制是什么？

Rajat Jain： 我們所做的一切，都是為客戶服務并得到他們的肯定與支持。對我們來說，將機器學習引入銀行流程的最大限制，實際在于如何證明這種新的分析技術能否真的可以幫助我們代表全球無數(shù)客戶達成承諾的使命。雖然最新的數(shù)據科學研究與進步確實令人興奮，但這一切只是理論方案與學術研究。我們在現(xiàn)實世界中的運作及決策，則會影響到每一位持卡會員的賬戶安全性。因此在應用一種新型AI技術之前 ，我們必須明確其能夠在生產環(huán)境中實現(xiàn)并帶來客戶所期望的結果。

您能否跟我們聊聊在構建ML模型的過程中，運通公司需要著重考量數(shù)據中的哪些因素？

Rajat Jain： 我們總會強調，各種機器學習模型之間存在著很大差異，而我們的模型之所以與眾不同，靠的就是我們使用的數(shù)據。作為發(fā)卡行、商戶收單行以及網絡運營商，美國運通在整個支付鏈中建立起龐大的全球業(yè)務體系。這套“閉環(huán)網絡”將大規(guī)模數(shù)據集與我們訓練有素的專業(yè)知識專家及頂尖機器學習算法相結合，幫助運通公司建立起打擊欺詐行為方面的強大優(yōu)勢。我們可以查看來自商家與持卡會員的大量數(shù)據，保證比其他網絡及發(fā)卡機構更快采取行動，搶在欺詐行為實際發(fā)生之前將其發(fā)現(xiàn)并加以阻止。

在構建機器學習模型方面，美國運通是如何保障客戶隱私與數(shù)據隱私的？

Rajat Jain： 美國運通深刻理解保持消費者信任的重要意義，而且對數(shù)據隱私及安全性有著堅定而長期的承諾。我們將根據數(shù)據保護及隱私原則，以及具有實際約束力的內部規(guī)定及適用法律，通過合同及其他政策性要求保護個人數(shù)據。

未來幾年，您對哪些AI技術最為期待？

Rajat Jain： 概括來講，我認為在使用有序數(shù)據集進行預測方面，我們才剛剛起步。人工智能還無法通過有序預測有效將一系列事件聯(lián)系起來，因此我們期待能夠在這一領域迎來突破性進展，最終持續(xù)改善客戶體驗。至于在未來幾年的欺詐行為打擊方面，我們將繼續(xù)評估新興技術并應用切實有效的技術方案，努力增強自身主動與被動防御措施，借此更好地應對種種新的威脅。
責任編輯：tzh