简直不得了！DataVisor推出轻量级UML，实力圈粉中小企业！
最早僅僅在電商領域“瘋狂肆虐”，如今已經發展為“無處不在+層出不窮”……
額，頭疼！
起初只是簡單易識破的刷單and薅羊毛，而現在卻統統升級為擁有十八般武藝的“神選手”……
嗯，難搞！
原本只是隨機進行的“單挑作案”，慢慢卻轉變為蓄謀已久的“團伙行動”……
哎，怎么會這樣？
聽起來，欺詐這種事兒似乎已經發展為“家常便飯”并且猝不及防！
?
形勢如此嚴峻，身處電商、社交、游戲以及金融等“欺詐重災區”的成熟型企業們都紛紛拿起有力武器捍衛權益，那處于成長期的企業們究竟該怎么辦？
圖片來源：http://tupian.baike.com/a2_11_91_14300000678340127193913296427_jpg.html
別急！DataVisor早就想到了這點，抓緊發布了全新的反欺詐新產品—DataVisorUMLEssentials，實地教會成長期企業對欺詐堅決說“NO！”
?
DataVisorUMLEssentials究竟怎樣？
據小編了解，這款新產品以DataVisor首創并在業界反響強烈的無監督機器學習（UML）引擎為基礎。
?
?
?
因為考慮到最初接觸的客戶群體里成熟型企業居多，相比成長期企業，表現出的技術能力比較深厚，對此DataVisor中國區總經理吳中表示，這次輕量級產品的業務對接，會針對不同企業在業務、數據的復雜度上以及特殊場景方面進行定制化的工作，切實為選擇使用該產品的成長型企業在防欺詐方面帶來收益！
?
?
此外，新產品在接入效率以及方便場景的設置上，例如注冊環節，在力求達到高效全面的防控的同時，確實費了不少心思！
據悉，產品初期會選擇從大規模注冊場景入手。
在種類繁多的互聯網服務體系中，其實“注冊”幾乎可以作為所有服務的必備入口之一，通常企業也最容易在用戶注冊這個環節疏忽用戶真假辨別，給日后平臺的安全性埋下隱患。如果可以從源頭上阻止欺詐、防范欺詐的話，針對性會更強！
“我們選擇將這個看似很普通的場景做深做細，當然在產品發展的中后期也有可能會引入更多場景，未來發展中企業也可以根據自身的業務發展選取針對性的服務?！眳侵醒a充道。據悉，DataVisorUMLEssentials只需使用一組標準的數據字段，就可以輕松面對最廣泛的大規模注冊場景，還伴隨著性能優化。
在交流過程中，小編得知新產品以SaaS形式提供服務，這樣自主服務就顯得額外重要。依照相關指引，用戶可以輕松完成數據上傳，數據質量檢查，生產部署，生成可視化報告，自定義報表等全部流程，保證用戶對服務的全程可控。
DataVisor在這次的產品設計中做到最大限度減少用戶切入服務的時長，保證在使用防欺詐功能的過程中，企業自主參與與把控的程度較高。
更重要的一點，這套產品做到了機器學習服務中的開放性創新，簡單來說就是完成了模型的自動調優技術設計。
過去，在傳統服務中，產品在接入用戶前需要大量人工參與其中，根據用戶的特點進行手動調優。
如今自動調優的設計不單大幅度降低了人工耗時，從過去的幾周縮減到幾天甚至幾小時，有效降低成長期企業對先進AI風控技術的接入門檻。
需要強調的是，DataVisor的服務均是基于自研發的數據處理平臺，無論是之前的無監督學習反欺詐解決方案還是這款最新推出的UMLEssentials。
吳中介紹說，這款數據處理平臺目前構建于主流的云計算基礎架構設施上，包括AWS以及阿里云等，可以實現多租戶任務自動化，流水線水平擴展以及模型公眾發布等。
如果從數據量級的角度分析，每日上千萬級的數據吞吐是“小菜一碟”，足見平臺級的數據支撐強大且無憂。
“我們希望能把DataVisor在安全領域多年積累的經驗賦予更多成長型企業，將線上安全領域中第一步風控場景—大規模注冊，在欺詐發生前將其攔截，有效降低企業在使用AI反欺詐服務的門檻，讓企業更加專注于產品研發和用戶增長?！眳侵锌偨Y到。
DataVisor啟程于美國加州山景城，2015年獲得由GSR與NewEnterpriseAssociates領投的A輪融資，并于2016年下半年進入國人視野。
短短不到兩年時間，就掌握了包括電商、游戲、金融還有社交領域在內的諸多中大型企業的防欺詐業務，憑借人工智能技術，尤其是無監督學習算法以及大數據方向應用深耕“反欺詐”這片土壤，就在剛剛過去的2月，DataVisor又成功獲得由紅杉資本中國基金領投的四千萬美元C輪融資。
有關DataVisor無監督學習的幾個問題
談及DataVisor“領銜”的無監督學習技術手段防欺詐，還是先來說說如今在防欺詐市場中存在的幾種主流技術方法吧！
首先就是我們熟知的規則系統。
即憑借曾經被欺詐的經歷去分析一些樣本，來總結得出“出現欺詐”的情況并設置有效的規避規則，這種方法需要深入了解欺詐模式，無法做到有效應對不斷變化的欺詐手段。
另一種，有點兒類似于通常使用的社交軟件中的“黑名單”設置。
可以理解為將一些曾經的黑產設備，包括指紋等信息錄入，把結果提供給用戶進行匹配，如果可以匹配才能鎖定欺詐身份無疑。如果黑產信息不夠多，新設備出現?就很難辦了!
第三種，也是很多該領域的企業積極著手的嘗試，被稱為有監督學習或者半監督學習，但在實際應用中也存在不小的困難。
例如標簽數據的獲取，過程是否透明并獨立，數據分類的標準如何把握、是否有效做到提前預警等。
可想而知，在現實中，各行各業均擁有較多的數據積累，但攜帶明顯含義的標簽數據卻少之又少，如何合理制定標簽？必然需要行業內的權威專家深度協同參與，人力是否允許就會打一個大大的問號。
此外，即使“打標簽”這個問題得到解決，標簽數據的及時性又無法得到保證，如果滯后就會對數據準確性造成影響，然后包括建模，檢測攻擊等環節一并受到牽連，有監督學習的效果自然也就達不到了。
還有最最重要的一點，以上三種防欺詐的技術手段都無法做到事前的防御和檢測！
也就是說，想用這三種方式，前提是被騙過才行，僅僅有點兒亡羊補牢的意思。
?
圖片來源于：http://www.qq1234.org/QQbiaoqing/biaoqingbao/2015/0415/31318.html
這樣比較來看，無監督學習還是目前很有效的防欺詐技術手段，為什么這么說？最重要的優勢，可以做到事前的預防與檢測，當然它并不需要“標簽”這個東西。
DataVisor作為業內最早并最長時間使用無監督學習的企業，防欺詐解決方案就是依托這種無標簽的機器學習，來自動挖掘各種未知或新型的攻擊。
沒錯，根本不用輸入數據形成標簽就能夠使用。
更便捷的一點，還可以計算出相應的函數，用來描述“無標簽”輸入數據之間隱藏的關聯。
?
?
例如，DataVisorUML引擎采用聚類/圖分析技術開發而成。通過分析數據點之間的距離以及連接(數據點代表賬戶及賬戶在一定時間內的活動)，就可以自動發現新型濫用、欺詐和洗錢等活動。
?
?
盡管目前無監督機器學習很有效，但在實際應用相對較少，可能難度還是在于如何設計算法、體系架構以及保障算法的效果等方面。
DataVisor除了在實際欺詐檢測過程中采用無監督機器學習引擎，還可以搭配有監督機器學習引擎、全球智能信譽庫以及自動規則引擎進行使用，形成一套防欺詐的解決方案。
運行的大概過程是這樣的！
這套解決方案的原理是將原始數據輸入無監督機器學習引擎，可在實時環境下，輸出每個事件的欺詐可疑分數并給可解釋性原因；在批量處理環境下，輸出檢測出的可疑賬戶列表，并附有相關分數和原因解釋。
無監督機器學習引擎輸出結果還可錄入到DataVisor可視化控制臺，控制臺可直觀顯示攻擊團伙，方便調查每個已檢出的事件以及賬戶。
?
其中，無監督機器學習引擎在數據輸入和結果輸出之間需要執行以下幾個關鍵步驟:分別是動態特征提取、無監督攻擊團伙檢測、結果分類和排序等。
需要說明的一點，“無監督”可以進行自學習，了解未知欺詐攻擊方式！
通常無監督學習引擎會在動態特征提取這一步關注這樣幾個數據類別：例如用戶個人信息，例如用戶簽名、用戶昵稱等；用戶行為，包括登陸信息、瀏覽記錄等；設備信息，包括設備類型及版本、瀏覽器信息、IP地址等。
最重要的一點，不同賬戶之間的交互關系也在“關注”范圍之內。
DataVisor全方位的反欺詐解決方案，除了無監督學習引擎外，同時也會配合自動規則引擎以及全球智能信譽庫的使用。
自動規則引擎保留了規則系統的透明性，且無監督機器學習引擎可以自動更迭規則。
吳中解釋道，實際上它的核心是無監督機器學習，相當于具備一個自動無監督的模型能夠自動產生異常的、欺詐群組的檢測，并生成一些人工可以理解的動態規則。
據小編了解，這個過程并不需要人工干預。
“我們會根據監督到的結果動態去更新，裁減掉一些不適用的規則，保證規則的準確率。簡單的可以理解為已經有一個很好的算法知道現在欺詐者的相貌以及數量，任何一個規則都可以用數據來做驗證。”吳中解釋道。
此外，DataVisor還打造了全球智能信譽庫，為以上技術提供數據支持。
?
?
全球智能信譽庫主要通過挖掘、整合攻擊信號，進行二度計算，提煉出更具有代表性的信號。據了解，信譽庫擁有來自不同領域總計超過30億用戶的欺詐行為數據，精細到包括IP地址、UA信息、郵箱域名、設備類型等。
?
?
雖然類屬機器學習，但無監督學習對模型維護“沒那么多要求”。
DataVisor的UML引擎支持相對靈活的輸入數據格式與數量，結果可借助API或者UI呈現并使用。
另外，由于并不需要大量的調優工作，所以調優花費更低。
UML引擎能清楚地檢測出關聯賬戶之間有什么共同的屬性，給出相對透明并且更加合規的檢測原因，這一點借鑒了規則系統的優點。
有人會問，客戶那么多，每家企業的數據又都是不同的，難道事先不會進行針對數據的評估或者判斷嗎？如果會，這個判斷結果會影響我們最后監督的結果嗎？
關于這個問題，吳中解釋，在介入業務時，會做基本的數據清洗和一些所謂的整理動作。
舉個例子，例如收集IP，收集上來的IP如果都是服務器內部的，其實毫無作用，所以在前期通過數據清洗和圖表統計一下，這也可以做一些事前的排查，發現問題一般也會反饋，哪一點有問題，然后清理完成后模型才會保證比較好的效果。
談及與眾多客戶的合作，吳中表示，這種合作相當于“產品+服務”的模式，以年度訂閱形式體現。
年度訂閱服務后，DataVisor會通過數據分析來提供結果。
追求的目標更像是兩個團隊的聯合與互補，為了提高欺詐檢測率和覆蓋率。
與DataVisor的合作中，客戶內部技術團隊更多只需要做一些前期工作，例如數據準備和清洗等。DataVisor則可以利用無監督機器學習的方法發現未知的欺詐模式，客戶可以分析判斷DataVisor能夠自動發現多少新的欺詐模式、帶來多少增益以及減少多少損失等。
數據層面合作模式上，DataVisor也有幾種模式，例如SaaS云端的部署方式、私有云部署，也可以是本地部署。
四年前，謝映蓮和俞舫雙雙離開微軟在美成立DataVisor……
隨后不久，便收到來自陌陌赴美尋求合作的機會，DataVisor很快運用獨創的無監督學習算法，幫助陌陌建立起一套領先的基于行為識別的全方位反欺詐檢測方案……
2016年，DataVisor又將“無監督”反欺詐技術帶到中國……
?
后來，獨創的無監督反欺詐技術成為其業務主線上的“專利產品”，此外還有多項專利正在申請中……
DataVisor，一炮打響、一路走來，總給人們帶來技術上的驚喜。
總結
以上是生活随笔為你收集整理的简直不得了！DataVisor推出轻量级UML，实力圈粉中小企业！的全部內容，希望文章能夠幫你解決所遇到的問題。
