学习 AutoML (Chinese Edition)

第 14 章. 案例研究 1：金融服务——GlobalBank 的实时欺诈检测

本作品已使用人工智能进行翻译。欢迎您提供反馈和意见：[e-mail]

第13章的引言中描述了笔记本模型与生产系统之间的差距。现在，我们将具体了解GlobalBank是如何弥合这一差距的——以及在此过程中遇到的意外情况。

注

本章中的所有代码示例均已通过 AutoGluon 1.4.0 进行测试和验证。如需完整的实现、详细输出、实验变体以及其他高级技术，请参阅 配套的 Jupyter 笔记本Supplementary_Code_A_Fraud_Detection.ipynb。

AutoGluon 正在积极开发中。请访问AutoGluon 官网获取最新的文档和安装说明。

业务问题与背景

2023年，的全球支付欺诈损失超过320亿美元，其中在线交易欺诈是增长最快的领域。对于GlobalBank这家每日处理5000万笔交易的大型金融机构而言，欺诈检测不仅关乎防止损失，更是公司业务生存的基础。

GlobalBank 面临着多重挑战的“完美风暴”：

挑战	描述
速度要求	为避免购物车放弃，需在 100 毫秒内完成支付决策。
极端类不平衡	仅有 0.08% 的交易属于欺诈（每 1,250 笔中仅有 1 笔）。
不断演变的欺诈模式	欺诈者不断调整策略，因此需要能够检测新型攻击模式的模型。
客户体验	误报导致客户不满和收入损失。
合规	金融法规要求决策具有可解释性，并保留完整的审计轨迹。

其传统的基于规则的系统产生了过多的误报（误报率高达4.2%），同时却未能识别出日益复杂的欺诈模式。这对业务造成了严重影响：

• 该系统每年因欺诈造成的损失达320万美元

• 因误报而被拦截的合法收入达180万美元

• 因支付体验摩擦导致的客户流失

• 每年因争议交易的人工审核成本达85万美元

成功标准

高管团队为自动机器学习（AutoML）项目制定了明确的目标：

1. 将欺诈损失减少50%（目标节省160万美元）

2. 将误报率降低 40%（提升客户体验）

3. 保持 <100 毫秒的预测延迟（不影响结账体验）

4. 为合规监管和客户服务提供可解释的决策

5. 将 80% 的欺诈检测自动化（减轻人工审核负担）

本案例研究展示了AutoGluon如何通过一套完整的端到端实施方案——该方案融合了前几章中的几乎所有概念——帮助GlobalBank实现了这些目标。

数据管道与预处理

欺诈检测 需要实时整合多源数据——任何数据质量问题都可能导致误报（惹恼客户）和漏报（漏检欺诈）。GlobalBank 的数据来自七个不同的银行系统，每个系统都有各自的格式、时间戳规范和数据质量问题。

该管道需要处理：

• 多源数据集成：交易数据、客户画像、设备指纹、商户信息

• 数据质量验证：在异常数据破坏模型之前进行检测

• 基于时间的分割：对欺诈检测至关重要——随机分割会导致数据泄露

• 极端类不平衡：0.08% 欺诈率（每 1,250 笔交易中仅 1 笔）

数据管道架构

完整的数据管道实现展示了几个关键模式。

1. 多源数据集成

完整的数据管道实现展示了若干关键模式，这些模式将生产环境中的欺诈检测与学术研究区分开来。现实中的欺诈检测需要整合多源数据：交易记录提供核心事件，客户画像补充行为背景，而设备信号则提供IP地理位置和浏览器指纹等风险指标。示例 14-1展示了高层次的协调机制：从所有来源提取数据，在继续处理前验证数据质量，创建适当的时间分割以防止数据泄露，并处理欺诈数据固有的极端类不平衡问题。编号注释追踪了各阶段的流程， ...