安徽大时代投资咨询公司揭秘机器学习金融涉嫌

  安徽大时代投资咨询公司揭秘机器学习金融涉嫌
  Airbnb，一家旅行房屋租赁网站，正在使用机器学习技术来打击金融。他们用“定向摩擦”打击退款，与此同时，尽可能将该机制对于正常顾客使用在线预订系统的负面影响降到低。
  检测对Airbnb团队非常关键，因为每晚大约有二百万人在分布于191个国家的Airbnb房源入住。这意味着他们全球性社区的快速发展很大程度上依赖于信任。他们打击的方法包括主动措施和被动支持。主动措施通常应用在交易前，并且通常在后台进行：利用机器学习、试验和分析，防止欺诈者在网站上使用偷来的信用卡。
  David Press是Airbnb的信任数据科学家，他介绍了Airbnb是如何利用机器学习技术来鉴别和阻止者，同时将对正常顾客的影响降到低。
  退款是他们检测项目的主要关注点。与所有线上交易相同，Airbnb也会遇到试图用盗取的信用卡进行交易的犯。当真正的持卡人发现他们的卡被盗了，并注意到账单上未经授权的消费，信用卡公司会向商家发起退款要求，然后商家（Airbnb）把钱返给消费者。与其他公司不同的是，Airbnb承担这些退款的全部损失，而且不会让房主承担经济责任。所以为了更好地保护这个社区，并且减少退款损失，Airbnb致力于对交易的源头进行打击：阻止盗用信用卡在网站的使用。
  有时候交易会被直接拒绝，但在大多数情况下，Airbnb会给用户机会，看他们是否满足附加验证条件，称为“摩擦”。 ”摩擦“是用来阻止未授权用户的一种方法，但对于正常用户来说是很容易满足的。为了防止信用卡盗用，会触发不同类型的“摩擦”机制来证明用户是信用卡的真正持卡人，包括微授权（在信用卡上放置两个小的授权码，持卡人必须通过登录网上银行进行确认），3-D 安全（允许信用卡公司通过密码或短信直接验证持卡人），账单证明（需要持卡人上传一份相关信用卡帐单复印件）。
  Press介绍了他们如何使用机器学习模型来触发针对犯的“摩擦“。他还概述了如何通过小化三个不同场景的损失函数来选择ML模型的阈值：假阳性、假阴性和真阳性。
  他们使用机器学习模型来检测交易，用过去的已证实为良好消费和欺诈消费的例子进行训练，模型的目标是预测订单属于订单的概率。和其他机器学习模型一样，训练的模型并不是完，所以他们也需要处理不同的场景：假阳性、假阴性和真阳性。