解析|支付宝风控的无人驾驶方案，实现风控策略精准推荐

2018 年 6 月 15 日 蚂蚁程序猿

小蚂蚁说：

近年来自动驾驶技术大红大紫，从Google无人驾驶汽车到Tesla Model-S量产，无人驾驶技术慢慢从概念走向了现实。如今，“自动驾驶”的概念则被支付宝创新性地应用到了风控领域，通过AI技术颠覆传统风控的运营模式，实现风控领域的“无人驾驶”技术。

作为移动支付领航者的支付宝，借助大数据和AI技术，并历经十多年的发展，更是构建了世界级领先的风控技术能力。今天来给大家分享AlphaRisk四大核心模块之一的AutoPilot整体方案。

背景

随着人工智能的热潮推进，支付宝风控引擎也从CTU时代直接进入AlphaRisk时代，开启了人工智能驱动的支付风控的新纪元。其中，最大的改变就是AI算法的全面应用，以及引擎功能模块的升级。AutoPilot作为AlphaRisk四大核心模块之一，目标是实现用户核身方式的精准推送。

有别于经典的基于专家经验的风控策略，以及单一模式的核身推荐，AutoPilot通过半监督算法和进化算法实现了用户个性化的风险控制策略，不同用户的核身认证方式因场景、时间和地点的不同而不同，同时大大提升了风险控制的精确性、实现风控运营自动化能力。

不仅如此，在2017年天猫双十一，AutoPilot首次面对大促交易峰值的考验，实现了完全无人风控策略调整，风控引擎自动根据交易流量和风险变化动态调整风险控制强度。

下面，我们从技术的角度出发，给大家揭秘AutoPilot的方案思想。

AutoPilot的核心思想

1）用户分群

用户分群是通过决策树算法＋德尔斐法相结合而得，综合考虑了分群的稳定性、业务含义和风险概率，既从大数据角度出发科学分群，又包含了特定的业务含义。

2）多目标优化

风险决策策略推荐需要解决的问题是求满足多业务目标（打扰率、覆盖率、失败率和限权率）的最优解。这是一个典型多目标优化问题。

而现实世界的多目标优化问题存在两个困难：相互制衡或冲突的目标和复杂的解空间。因此多目标问题不存在单一最优解，而是存在一组帕累托最优前沿（Pareto-optimal），在缺乏主观偏好函数下无法进行解之间的权衡，使得解空间可能非常复杂和庞大，所以高效率而精确的求解极为困难。

所以朴素的思想是：先推导出一组帕累托最优前沿，然后选择一个最优解，可以有下面三种具体实现方法：

i. 先决策后搜索，根据人为偏好，将多目标融合转化为单目标，此方法需要对业务有深入的理解；

ii. 先搜索后决策，先搜索出一组最优解，再根据偏好选择其中一个解，此方法需要较长的计算时间；

iii. 同时搜索和决策，每一步的搜索结果输出给人工进行交互；

自然而然，进化算法成为最好的选择之一。

进化算法的概念如下：

· 维持一组候选解集合（population）

· 评价种群中个体的适应度（fitness）

· 进行选择操作（selection），高质量的个体保留进入操作池

· 进行杂交和变异（crossover/mutation）操作，产生下一代种群

进化算法的目标为尽可能的靠近帕累托前沿，而且解的分布尽可能的广泛，使种群有较好的差异性。

最终的算法我们采用了基于RWGA的改进： Random Weight Based + niche method。具体算法步骤如下：

step1: 生成初始随机种群E；
step2: 对种群中每个个体赋予一个适应度：对每个个体，基于随机权重w，汇总多目标函数为一个原始的适应度值；同时根据个体周围的生态拥挤程度，对适应度进行惩罚调整；
step3: 基于适应度计算选择概率；
step4: 基于选择概率选择杂交父母，杂交后进行变异操作，得到集合Q；
step5: 合并E和Q，选择适应度靠前的子集进入下一代；
step6: 若不满足停止条件，则step2；

AutoPilot的应用结果

AutoPilot实现了风险覆盖和用户打扰的最佳平衡，在保障风险资损低水位的基础上，实现了管控方案从千人一面向千人千面的转换。当交易被识别存在风险时，AutoPilot可自动推荐最适合这个会员，且最安全的管控方案，实现用户核身体验的最优化。以O2O线下支付场景为例，该场景最常见的风险为的用户手机丢失（即用户手机丢失后，被非本人使用），AutoPilot通过AI算法匹配，优先推荐人脸等生物核身手段，而非传统或静态核身方式，以有效保障账户资金安全。

同时，AutoPilot实现了风险防控策略的自助运营，极大减少人工干预。2017年天猫双十一大促，AutoPilot首次落地应用，根据交易流量和风险变化动态自动调整模型和策略的管控力度，实现了无人调配策略的可能，并经受住了大促时期黑产的攻击。

总结