男女猛烈无遮挡免费视频在线观看,苍井空的av片在线观看

業(yè)務背景：傳統(tǒng)反欺詐的難點

目前金融反欺詐是一個很火熱的問題，而且呈現(xiàn)出一種組織化,、團伙化的新趨勢,。這里有個很重要的問題就是信息不對稱，我們很難去驗證信貸客戶信息哪些是真實的,，哪些是經(jīng)過包裝的,，這就導致很多問題。比如銀行立項申請時,，因為不知道客群真實情況,，可能會通過提高要求來控制通過率，雖然有效,，但是一把雙刃劍,。

2022 年政府工作報告中也說過，普惠金融會進一步擴展,，客群也會進一步下沉到一些農(nóng)村地區(qū),，可能面臨的都是沒有往期征信記錄的“白戶”。還有一些比較傳統(tǒng)的欺詐手段像信用包裝,、中介代辦,、內(nèi)外勾結等，一些中介在包裝信用卡或者信貸進件時，就針對某幾家銀行,，因為他知道那幾家銀行的底線和紅線是什么,，只要不去觸碰就能貸得出來；時間再久一點的話,，他可能還會知道怎樣做貸款額度會高一些,。

傳統(tǒng)反欺詐主要依靠專家規(guī)則，但像身份證號,、銀行卡流水這些東西其實偽造成本很低,，對于一種群體性的、大批量的欺詐并沒有一個很好的管控手段,。

圖譜賦能：智能反欺詐的實現(xiàn)路徑

我們可以看一下智能反欺詐手段的發(fā)展路徑：最底層的是專家規(guī)則,，即風控專家通過經(jīng)驗設置一批規(guī)則，然后調(diào)整觸發(fā)條件,，在通過率和拒絕率之間找到一個業(yè)務上的平衡點,。

但專家經(jīng)驗很難覆蓋所有風險，所以通常會做一個機器學習建模去防控整體風險,，然后再用專家規(guī)則去補充,，即專家規(guī)則加上機器學習模型搭配互補。但就目前的經(jīng)驗來看,，由專家過渡到機器學習模型,，建模這一步會面臨很多的問題，第一是樣本量不足,。第二是樣本空間增長有限,，后面也會有一個案例，因為貸款或信用卡申請大概都會有那么 6~7 種方式,，落到最后都是需要人工檢驗的，所以說增長空間很有限,。

因此,，我們需要運用關聯(lián)圖譜去破解信息不對稱的問題。因為無論是團伙還是中介欺詐,，都會有一個批量進件的行為,，圖的可視化手段可以去抓取團伙樣本，而且很可能一抓就是幾十個到上百個進件——這樣其實對于樣本補充是個非常有效的手段,。而且圖譜還可以進行一致性的檢驗,，比如說多方面的信息來源可以打破信息的不對稱性，圖做出來后還會從關系圖的維度去展示,，等于幫我們做二次校驗,。舉個實際的例子，比如說多個申請共用相同的信息、相同的手機,、相同的 IP,，這就屬于團伙的情況。

為了解決這種情況,，我們引入圖譜,，并從中抽象出一些關系維度的圖規(guī)則，對于原有的專家規(guī)則體系做補充,。另一方面我們也在抽取圖特征,，對既定的機器學習模型做一個補充，提升機器學習模型識別團伙欺詐的能力,，同時進一步去豐富黑樣本的標簽,。所以說專家規(guī)則、機器學習模型,、圖譜這三者具備之后,，就能夠構造一個有效的生態(tài)閉環(huán)，可以實現(xiàn)反欺詐效能上的互補,。

就目前關聯(lián)圖譜在反欺詐的具體應用,，我列了大概這幾個方面：

申請圖譜：比如如何在信貸、信用卡申請中去識別團伙欺詐性進件,。組團有一個特點就是信息會被團隊成員共享,，那在圖譜的可視化查詢上，就會發(fā)現(xiàn)出很多關聯(lián)關系,。較常見的可能就是從身份證,、手機號，設備指紋,、郵箱地址等這些維度去做一個關聯(lián),，先去看這些數(shù)據(jù)有多少個共性，再就是結合一些可視化手段去分析具體的欺詐手法,。
交易圖譜：涉及到多層次的轉(zhuǎn)賬關系,，主要是看資金最后的流向、受益人是誰?，F(xiàn)在比較火熱,、監(jiān)管也比較關注的是涉賭涉詐的問題，也是我們主抓的一個方向,。我們這方面有很多客戶案例,，通過監(jiān)管下發(fā)的名單或內(nèi)部的規(guī)則模型識別出可疑交易，這個過程中可能還會結合歷史流水,，把一些歸集的賬戶擴散到n層,，過程中可能會使用一些圖探索手段，也會基于圖譜平臺，去做一些存量排查,，比如說增量防控,。
企業(yè)圖譜/內(nèi)控圖譜：現(xiàn)在企業(yè)業(yè)務會存在一些交叉，外部風險對企業(yè)的影響也越來越大,，用圖譜可以勾勒出一個企業(yè)風險的全貌,，結合外部風險點的引入，就能盡早預判外部風險對企業(yè)的影響,。內(nèi)控圖譜更多是涉及員工的道德或操作風險,，比如誤操作或沒有按照規(guī)章制度做某些業(yè)務。道德風險更多發(fā)生在員工和企業(yè)的異常資金往來,，比如非法集資或資金挪用,。做這個防控核心是用圖譜去查看員工的實際控制賬戶，因為就像銀行員工都很熟知銀行的業(yè)務,，很少有員工拿自己的戶頭進行一些犯罪,。對這些控制賬戶的識別可以通過圖譜的一些探索手段，比如說親屬的賬戶,。我們有個股份制銀行的案例,，這個案例最后定位到了員工女朋友的賬戶，因為我們在圖探索中發(fā)現(xiàn),，很多資金實際都流向了女朋友的賬戶,。如果用傳統(tǒng)手段來看的話，是很難去發(fā)現(xiàn)的,。
洗錢圖譜：這個問題比較久了,，不同時期也會衍生很多手段，現(xiàn)在比較流行的地下錢莊還有跑單平臺,，它會把用戶拉進來,，把涉案資金隱藏在跑單用戶每天正常的消費交易流水上，但這其實是有一個固定模式的,。怎么在圖譜上刻畫和獲取業(yè)務經(jīng)驗,、制定圖規(guī)則來進行實時的監(jiān)控和篩查，也是邦盛作為圖技術平臺對業(yè)務的關鍵賦能方向,，我們后面會說到。
車險/運維圖譜： 一般我們分析這些領域時會結合初始化網(wǎng)絡,，進行點邊結構的設計,，之后找到一個數(shù)量相對合適、聯(lián)系比較緊密的子圖,，再結合業(yè)務專家經(jīng)驗,，進行一些探索性分析性的工作。

應用場景1：貸后資金流向

這里也簡單列舉了一些具體的應用場景，第一個就是貸后資金流向問題,。

我們可以通過圖譜重點篩查這些經(jīng)營類,、消費類的貸款，追蹤它是否違規(guī)流入房市,、股市等,。這個過程中我們會利用圖譜的穿透能力去計算轉(zhuǎn)出資金的金額還有比例，這些確定后就能很方便地去敲定風險和違規(guī)性質(zhì),，提供排查依據(jù),。監(jiān)管部門目前對于互聯(lián)網(wǎng)信貸都遵循圖上說的“三個辦法一個指引”這個原則，所以通過圖譜建立實時風控,，關注貸后放款這些關鍵環(huán)節(jié)和資金流入的重點領域是我們主要做的一個事情,。

接下來可以展示一下具體手法，比如放貸后直接流入黑名單賬戶,，或者解除關聯(lián)后從自己賬戶轉(zhuǎn)移到非自己名下,，但可能是實際控制的一個賬戶，再往樓市,、股市這些敏感行業(yè)投資理財,。這些都是可以通過圖譜，結合資金的具體形態(tài)來分析的,，因為這些行為在圖譜上會展示出一個非常明顯的發(fā)散或歸集,。

這種模式用以往的專家規(guī)則是很難進行刻畫的，因為最多的情況下就只能做到一維,，最多也就到二維關系,，而圖譜更善于進行多維度關系的篩查。在海量的交易結構里面,，我們也能發(fā)現(xiàn)一些模式化的結構,，比如上圖可以看到大概 4-5 個端，里面涉及一些集中轉(zhuǎn)入,、分散轉(zhuǎn)出,，還有類似樹枝、螞蟻巢穴一樣的鏈式交易結構,，這都是貸后異常的資金模式,。通過圖譜的展現(xiàn)化手段，結合業(yè)務知識,，很多情況下我們一眼就看出它是有問題的,。至于具體問題在哪里則可以通過圖譜提供的一些功能，比如說k度查詢或重要節(jié)點的發(fā)現(xiàn)算法去查看,。

應用場景2：涉賭涉詐場景

第二個大家比較關心的就是涉賭涉詐場景,。這個場景下,，我們用圖譜做了很多資金量的分析，還有甄別資金轉(zhuǎn)移過程中的手法,。當然,，我們還會結合賬戶自身的特征，在圖譜上觀察有沒有分散的轉(zhuǎn)出和轉(zhuǎn)入,，或者交易對手成批地更換,。結合這些特征，就可以分析賬戶在整張交易網(wǎng)絡中的作用,。

以上涉賭涉詐和貸后資金流向這兩個案例,，都存在一種大量的轉(zhuǎn)賬關系圖譜。其實,，圖譜可視化最大的價值就在于還原真實的交易場景,，這些是以往在核查單觀察，或者在系統(tǒng)上一步一步點擊流水不容易觀察到的,。

左邊那幅圖其實就是涉賭涉詐資金的轉(zhuǎn)移過程,，最左邊是賭徒的充值，一種是充到代收企業(yè),，另一種比較多的是充到跑分平臺,，平臺拿一份傭金再把剩余的絕大部分的錢轉(zhuǎn)給團長。上游這幾步可能會重復多個層級,，到了中游,，各種空殼企業(yè)會進行各種各樣的資金搬運，夾雜著一些空殼企業(yè)的分批啟用,，或者跨行轉(zhuǎn)賬行為,，造成資金鏈路的進一步模糊；之后就是資金洗牌的最后一步,，錢會轉(zhuǎn)移到一些個人賬戶進行分散提現(xiàn),，或者直接就在游戲/直播平臺進行一些打賞，還有買房置業(yè),，總之,，下游洗白的方式也是多種多樣的，但通過圖譜再結合一些特征,，還是能夠監(jiān)控到的,。

應用場景3：保險團伙反欺詐

第三個應用方向是保險排查，比如車險或醫(yī)保反欺詐,。車險主要是串謀式的索賠欺詐,，通過監(jiān)測還有關聯(lián)共享的身份信息等，就能比較好地跨越數(shù)據(jù)孤島,，發(fā)現(xiàn)他們的團伙,。

再有就是醫(yī)保欺詐，我們一般會更多地關注醫(yī)患或供應商不正當?shù)年P系,，一旦在某個藥品或疾病上出現(xiàn)了大量的離散值,，就代表是欺詐行為——這是以往判斷個體欺詐的常用辦法，但現(xiàn)在團伙欺詐問題非常嚴重,，那它首先會有一個思路上的轉(zhuǎn)變,，比如幾十個人都通過個別支付賬戶去買相同的藥品；還有賬戶層面的聚集以及很多其他的共性,。結合圖分析和算法,，都可以識別這些團伙案件行為。

總結：用圖譜反欺詐的優(yōu)勢

剛才分享完三個應用場景,，接下來我們總結下圖譜反欺詐的優(yōu)勢點,，主要列舉了四點。

關聯(lián)分析：就是指人為主動去探索發(fā)現(xiàn)這些可疑的特征,，然后利用圖譜進行一些可視化的關聯(lián),。這就是我們業(yè)務人員主動去使用圖譜工具進行可視化的探索，然后結合不同的業(yè)務領域,，比如洗錢,、信用卡申請、信貸申請等在業(yè)務圖譜上展示的可疑鏈路去發(fā)現(xiàn)一些可疑點,，當然,，不同領域可疑點肯定是不同的，但經(jīng)常使用的業(yè)務人員一定會帶有行業(yè)敏感性,。
圖規(guī)則：這點更多是用于增量的監(jiān)控,。和以往專家規(guī)則不同，圖規(guī)則是用圖探索的手段關聯(lián)知識對比后得出一些結論,，這個過程就是我們從關系的維度去判定圖規(guī)則,，然后系統(tǒng)主動實時地去排查風險。
模式分析：我們近來叫做同模型,，因為很多欺詐模式都有一個固化的模式,，比如信用卡套現(xiàn)。這些固化的模式,，完成分析之后就可以用圖語言寫到圖庫里進行一個遍歷查詢,。相對于上面介紹的圖規(guī)則，它是一種存量的篩查方式,。
社團分析：因為之前說要想建模,，很可能會缺少一些黑樣本、黑標簽的數(shù)據(jù),，社團分析其實是一個非常好的功能,，它可以通過算法,，結合樣本標簽，發(fā)現(xiàn)欺詐團伙,。

關聯(lián)分析,、圖規(guī)則、模式分析,，還有社團分析,，這 4 點是覆蓋了實時、準實時還有事后的三個方式,，既是圖譜用于反欺詐的主要功能,，也是我們目前的優(yōu)勢能力，我們大概幾十家客戶目前都在應用,。

底層的數(shù)據(jù)層可以滿足不同數(shù)據(jù)清洗,、接入的需求，支持多種數(shù)據(jù)通過流式或批式接入,，然后在圖數(shù)據(jù)庫中進行點邊結構映射,，繼而在圖譜平臺中完成圖構建、圖分析,、圖挖掘,、圖決策等操作。這里還會集成可視化的操作組件以及各類算法,，以適應頂層不同業(yè)務線的需求,，如反欺詐,、營銷,、運管,、企業(yè)擔保等,。

我們用的是悅數(shù)圖數(shù)據(jù)庫圖數(shù)據(jù)庫，在業(yè)務過程中也進行了很多交流,，再加上我們的專家經(jīng)驗,，所以在點邊結構挑選和精簡方面經(jīng)驗是非常多的,。

圖譜平臺功能1：圖構建

圖譜平臺在應用方面還有很多核心功能,，第一個核心功能是圖構建,。我們有三種構建方式，包括可視化建圖,、可視化入數(shù),，離線批式與實時流式入數(shù)。作為一個中央級的平臺,，肯定不只一個業(yè)務部門在用,，所以權限隔離和數(shù)據(jù)共享也是我們在很長一段時間里打磨的重點功能。入數(shù)方式上支持大概7種,，包含批式,、流式的方式,，還有數(shù)據(jù)源，比如常規(guī)的關系型數(shù)據(jù)庫入數(shù),，中間件 Kafka 入數(shù)等都是支持的,。

圖譜平臺功能2：圖分析

第二個應用是圖分析，包括交互式分析,、智能化分析、還有性能優(yōu)化,。因為我們的平臺集成了很多可視化的分析工具來提供簡單易用的交流,，比如時序分析。這里還會有很多即時算法,，還有路徑分析,、環(huán)路查找、異常識別等等,。我們在分析的基礎上,，還根據(jù)實際業(yè)務經(jīng)驗做了很多數(shù)據(jù)調(diào)優(yōu)，尤其是對于演變結構的精簡,，因為知識圖譜產(chǎn)生到最后還是要服務于決策,，服務于業(yè)務，這才是最終目標,。

圖譜平臺功能3：圖指標

圖指標就是我們經(jīng)過圖分析后,，直接提取的一些圖譜網(wǎng)格特征，并形成的一種計算指標,。這個計算指標會和專家規(guī)則的指標聯(lián)動,，對上層決策進行調(diào)優(yōu)。

圖指標比較簡單的一個用法就是用相近的關聯(lián)關系去觸發(fā)黑名單,，但更多的時候我們習慣把圖指標和專家規(guī)則類的統(tǒng)計指標,、模型特征放一起來做融合決策。需要特別說明的是,，我們說的融合,，是指在編譯層就做了一些融合，最后跑出來的結果是同一批,，也就是說融合決策在這個階段我們就是做在一起的,。

圖指標主要應用有兩個，剛才也說到,，第一種是事中的決策,，第二種是事后的分析，分別是實時和事后,，也是目前在圖指標上的兩個典型的用法,。

圖譜平臺功能4：圖算法

還有圖算法,。相比圖指標來說，圖算法其實就是對于關聯(lián)動作進行更深的挖掘,。像模式匹配,，就是經(jīng)過業(yè)務定義之后，去篩選資金鏈路閉環(huán)的一些風險模式,，剛才也說了是一種一對多,、多對一的模式，還有洗錢也會出現(xiàn)很多閉環(huán)的風險模式,，在定義好之后都可以放在圖譜的數(shù)據(jù)庫中進行跑批,，這是模式匹配。

另一個用法是社團發(fā)現(xiàn),，用 Louvain 算法進行社團分割,，形成一個團給業(yè)務去核查分析。除此之外對擔保圈還有一些風險傳導的算法,，這些都是我們根據(jù)金融反欺詐的特征模式總結抽象,，最后融合到了系統(tǒng)功能中去。我們也支持一些自定義算法,，比如業(yè)務員通過圖語言寫一些自定義算法,，上傳到圖平臺后給業(yè)務人員用，逐漸就形成一個通用化的做法,。

圖譜平臺功能5：圖服務

再進一步就是在這個圖的服務能力,，我們提供了三種能力，包括圖分享,、圖查詢,，還有圖分析集成。第一種,，圖分享指的是分析得到的一個子圖,，給沒有出入平臺權限的人去看。第二種是圖查詢,，像圖中展示的這樣,，通過看核查單上 URL 的方式去發(fā)布圖譜分析的一些結果，輔助風險的判別,。第三種,，是我們在業(yè)務系統(tǒng)中嵌入圖分析還有圖查詢的一個全部能力，來構建圖譜平臺,，還有各個業(yè)務系統(tǒng),，比如說交易反詐的系統(tǒng)，申請反詐系統(tǒng)或者信貸決策的系統(tǒng)，他們之間數(shù)據(jù)的全面打通,，這就是說服務平臺和其他業(yè)務需要先進行一些聯(lián)動,，比較簡單的是 iFrame，如果需要集成的深度的話,，就是全面的數(shù)據(jù)打通,。

應用架構：整體視圖介紹

整個圖譜的應用架構上，最左邊的是給建模工程師使用的,，然后右邊是給業(yè)務人員用的,，結合業(yè)務上的各個生產(chǎn)渠道，比如風控面反洗錢安全系統(tǒng),，再聚焦一些業(yè)務場景,，比如說反欺詐、涉賭涉詐,、團伙套現(xiàn)進行一些機器的分析，還有一些離線的分析,。下面對應的是我們剛才介紹到的一些功能,，然后建模工程師將左側知識構建的數(shù)據(jù)源處理好后，定義好這個節(jié)點邊屬性關系,，交給業(yè)務人員進行一些知識的挖掘知識的分析,，這個過程中會用到我們事先定義好的一些功能算法，最后按照說圖譜的能力對外進行發(fā)布,。

關聯(lián)圖譜平臺在某國有銀行反欺詐的實踐

項目背景

這部分來分享一個案例,，看一個銀行如何通過圖譜，解決信用卡申請團伙欺詐的問題,。案例背景是在普惠金融背景下,，銀行線上業(yè)務發(fā)展越來越快，信貸業(yè)務開始線上化遷移,，那么風險敞口,、以及客群質(zhì)量都面臨著難題。傳統(tǒng)反欺詐主要依靠專家規(guī)則,，但偽造這類的成本很低,，對群體性、大批量的欺詐,，尤其是團伙欺詐風險,，并沒有好的管控措施和監(jiān)測方式，風險識別難度越來越大,。

項目概述

這個項目實施的時候也是引入了圖技術,。首先，我們?nèi)ソo銀行構建了一個可視化的分析平臺，業(yè)務人員可以去看一些欺詐行為,，開展分析調(diào)查工作,。其次，利用圖譜技術還有探索功能,，可以開發(fā)了針對于團伙欺詐的圖規(guī)則,。再次，在整個分析過程中會產(chǎn)生很多的圖特征,，我們都融合到了機器學習模型中去,，完成了原有機器模型的優(yōu)化，大概是這三點事情,。

項目過程

然后說這個項目實現(xiàn)過程,。我們在這個項目中開發(fā)的，其實并不單單是一個圖平臺或者說一個系統(tǒng)平臺,，其實是想做出一個實際的業(yè)務效果,。我們當時做了大體是四個階段的事情，第一階段是整體的數(shù)據(jù)探索,，包括數(shù)據(jù)怎么篩選,，欺詐的標簽怎么定義。第二階段是根據(jù)實際業(yè)務場景定義圖譜的點邊關系,，我們都會根據(jù)實際業(yè)務場景進行一個設計,。

第三階段是從單維度的圖規(guī)則到多維度的防偽規(guī)則，這里規(guī)則如何去設計,，其實更多是由數(shù)據(jù)進行支撐的,。前三個階段所做的所有的工作、關系維度的特征我們會一同帶到第四階段——機器學習建模過程中去,，同時初步發(fā)現(xiàn)的一些團伙也會給模型做樣本學習,，這樣整體的反詐效果會更加精準。

如何實現(xiàn)

step 1：初步探索欺詐數(shù)據(jù)

這個項目中我們做了非常多金融反詐圖譜的探索,，以往大家總是想去定義圖譜這個概念,，但其實再先進的算法，都要融合業(yè)務邏輯進行一個定義,。想要出實際業(yè)務效果,，會涉及到一些問題。在整體數(shù)據(jù)探索中,，尤其是對數(shù)據(jù)的篩選,，欺詐標簽的定義，這些都是我們首先要面對的過程,。在這個過程中,，對每個社團每個團伙的社會屬性分析也非常重要,。

step 2：設計關聯(lián)關系

這個標準有了之后要在圖譜設計出關聯(lián)關系。我們會精細挑選什么樣的節(jié)點可以入圖,，但這些節(jié)點不是越多越好,。雖然圖譜的數(shù)據(jù)庫能力在不斷增加，悅數(shù)圖數(shù)據(jù)庫的數(shù)據(jù)庫性能也是非常的強悍,，但從邦盛科技在對銀行的應用實踐中發(fā)現(xiàn),，數(shù)據(jù)體量很大的情況下，如果增加節(jié)點,，邊和屬性同步也會帶來很大的增長,，實際應用中展現(xiàn)過多點邊以及過多的關系維度，會造成業(yè)務人員在圖的可視化查詢和落地方面使用不便,，所以我們認為需要結合金融機構,，尤其是銀行的實際業(yè)務場景去定義圖譜的點邊關系。

step 3：建立單維度規(guī)則

這個過程中挑選其實非?？简灲?jīng)驗的,，在大量的單維度規(guī)則中，需要把團伙標簽點邊關系定義好,。我們做了非常多的單維度圖規(guī)則,，主要從共性關聯(lián)、重合度,、集中度、資金流向等幾個方面來思考,。

step 4：建立多維度規(guī)則

做出單維圖規(guī)則之后,，我們更多要考慮的是如何建立多維度規(guī)則，并服務于我們的業(yè)務,。這里面挑選合適的指標需要非常強的業(yè)務經(jīng)驗,，才能做到。通過我們之前建立的單維度規(guī)則,，結合特征重要性的程度,，同時結合業(yè)務上的考量因素，我們會做交叉組合及后續(xù)的規(guī)則分析,。

step 5：數(shù)據(jù)建模

與傳統(tǒng)的反欺詐不同,，傳統(tǒng)反欺詐主要考慮統(tǒng)計類指標，如金額,、時間等特征,，我們通過引入關聯(lián)圖譜，增加了關系維度,，這是傳統(tǒng)反欺詐所很少考慮的因素,，從效果上看，明顯優(yōu)于傳統(tǒng)反欺詐效果。對銀行而言,，核查人員通過可視化的分析手段分析業(yè)務中的團伙欺詐手法,，從而來總結出關鍵特征，不僅分析了最新的欺詐手法,，還可以對一些專業(yè)規(guī)則做調(diào)優(yōu),。

我們講這些比較寬泛，但在銀行實踐過程中,，我們還會使用很多模型和決策方式,，這是我們整個項目做的一些事情。

項目效果

從這家銀行最終的項目效果上來看,，我們最終是幫助行方欺詐率顯著降低,，輔助業(yè)務有了創(chuàng)新發(fā)展，黑樣本發(fā)現(xiàn)也在出現(xiàn)了幾倍的效果提升,。

通過這個項目我們也更多地去考量圖譜怎么和專家經(jīng)驗結合開發(fā)圖規(guī)則,，繼而豐富模型——這也是目前服務這個行業(yè)，考慮客戶體驗的同時,，滿足監(jiān)管要求,，達到行方欺詐風險監(jiān)控的一種較好的辦法。

邦盛公司簡介

公司背景

最后簡單介紹一下我們公司——邦盛是成立于 2010 年,，將近 12 年間一直專注于做技術的研發(fā)和實踐,。當時在 2010 年到 2015 年時，國內(nèi)自主研發(fā)的實時計算領域其實是一個空白,，很多的銀行,、支付公司，包括一些大型的互聯(lián)網(wǎng)金融公司,，都會使用一種國外的風控系統(tǒng),。這時候我們也是通過底層的技術研發(fā)，走了一條自主創(chuàng)新的道路,，然后像實時指標的計算引擎——流立方,，也是獲得過幾個比較重磅的獎項，像中國電子學會的特等獎,，還有教育部的科技進步一等獎,；機器學習、關聯(lián)圖譜,、智能決策平臺,，都是沿著這條道路展開的。

其實邦盛這個名字也是取自于國邦昌盛,，為自己國內(nèi)的金融風控安全貢獻力量的意思,。目前服務的客戶群體也不局限于銀行或三方支付等金融機構,，也涉及智慧交通、信息通訊,，還有政府服務部門,，比如公積金機構和一些鐵路、政務等民生平臺,。

榮譽&客戶

公司的榮譽和資質(zhì)——包括 50 多項發(fā)明,、100 多項軟著，還有目前在 CMMI5 國際上最高等級的認證,，在項目交付和方案研發(fā)這幾個方面做到了最高的等級,。今天分享的主題是關聯(lián)圖譜，但其實我們在中央級反詐,、大數(shù)據(jù)智能案防,、涉賭涉詐賬戶防控等領域都有解決方案，每個解決方案會有產(chǎn)品技術和業(yè)務規(guī)則模型來組成,，關聯(lián)圖譜平臺作為一個很關鍵的組件,，在各套解決方案中都扮演著一個很重要的角色。

目前,，包括 4 家國有行,、12 家股銀行中的 11 家，還有全國頭部排名前 10 的城商行以及 70% 以上的三方支付風控市場都是我們的客戶,。一些政府機構也跟我們進行了深度合作,，如中國移動、中國鐵路 12306,、各地公積金機構等都是我們服務的客群,。

作為以技術起家的公司，目前我們各個核心組件也在不斷迭代和更新,，業(yè)務專家駐場過程中也會不斷總結欺詐手法，迭代反欺詐策略——今天因為時間的關系就分享這么多,，也歡迎各位老師跟我們進一步溝通交流,。