【玉山AI实例1】0.1秒揪出信用卡盗刷行为，一年挡下上亿元损失

不只有数百万张信用卡在市面流通，玉山银行每天还得处理数十万次的刷卡交易。如何从这些交易中揪出异常行为、即时拦截，是玉山一直面对的难题。

规则式系统仰赖人工调整，赶不上盗用行为变化

过去，玉山银行仰赖一套传统规则式系统，靠其中的上百条固定规则，来侦测信用卡交易异常行为。

但玉山金控科技长张智星指出，这种规则式系统，每月需要人工调整一次规则和参数，不仅难以捕捉快速变化的盗冒行为，还会产出大量异常名单，得耗费大量人力一一打电话确认。

为改善这个问题，玉山发起一项AI专案，要用刷卡历史资料，训练一套信用卡盗刷侦测模型，来判断盗刷风险。他们想借此减轻银行人力负荷、提高辨识准确度。

0.1秒揪出异常、年省上亿元损失

首先，他们透过探索式资料分析，产生了将近400种因子的模型数据库，再使用整合式决策树算法，来提高模型的泛化程度和预测能力。

经反复测试、确认模型稳定后，他们将算法程式打包，部署至机器学习即服务（MLaaS）平台上，来让业务系统以API呼叫模型。

在使用流程上，可分为两部分，一部分是批次资料处理，先将原始资料加密、写入专属数据库，再送至特征工程主机，进行特征工程处理。另一部分是即时资料处理。每当信用卡处系统接收一笔交易时，就会呼叫MLaaS平台的盗刷侦测模型API，上传这笔交易相关参数、让模型判断盗刷风险。

进一步来说，每次执行AI推论时，会先从特征数据库中索取特征资料，提供给模型，用来计算风险。之后再将这笔交易的盗刷概率数值，回传给前端信用卡处系统，让前端系统决定交易是否终止。此外，前端系统也会依据风险程度，来启动相对应措施，比如电话通知、简讯通知等。

这套信用卡盗刷侦测模型在2019年正式上线，当时可在1秒内回传推论预测结果。但玉山并未停步，他们几经改良，最后让模型在0.1秒内，就能回传盗刷风险。玉山统计，这套模型在2020年替玉山阻挡了上亿元的损失。