很多人还没有意识到，“识时务”是一个优秀的智能风控解决方案，必须具备的自我素养。
在风控战场上赢到最后的，必然是那些清晰认识自身和外界，有着发达“感官”，能够迅速摸清战局并自我调整的战队。
“风险决策不是非黑即白，一定是根据对风险的精准量化，对当前大环境的判断，对不同的时间点和状况，不断进行调整。”在腾讯天御反欺诈见过无数黑灰产攻防战的李超这样感慨。
这位曾被行业顶会MICCAI被提名为年轻科学家的博士，三年前就加入腾讯安全团队，着手研发星云风控解决方案，“杀入”金融风控的战场。
这一解决方案的内核，是团队精心打造的T-Sec星云风控平台，腾讯安全天御依托这一平台，成功帮助银行处理了上亿用户的信贷服务，累计守护资金安全超万亿。
在与李超博士的对话中，我们发现，在金融风控需求多样化、解决方案却同质化的今天，从腾讯二十年反欺诈经验中破土而出的星云，它背后的风控理念，其实极具借鉴意义。这支风控“特种部队”自身的成长轨迹和服务经历，也正是互联网信贷近年来变迁演化的缩影。
李超，腾讯安全金融风控技术总监、首席科学家
星云风控解决方案的雏形生于2017年底，正是互联网信贷发展如火如荼之时，李超和团队迅速注意到了银行发展数字零售信贷的业务需求。
星云的诞生，就是为了帮助银行构建一套自主可控的互联网信贷风控体系。
李超告诉雷锋网AI金融评论，这一目标从未变过，但星云的具体规划，在这三四年时间里，确实有过路线调整。
早期的星云方案，更具有标准化色彩，“可以帮助银行快速构建一套‘人有我有’的系统，在市场迁移的大趋势下，抓住发展线上信贷的机会。”
星云的“内部构造”中，就有风险评分类SaaS服务，和数字化风控PaaS平台，方案打通数据采集、数据清洗、特征加工、规则模型、顶层场景的各个模块，整体以一站式、端到端的设计，协助银行迅速完成业务构建。
随着时间推移，互联网信贷赛道已经变成了充分竞争的市场，入局者众，这时如何充分发挥定制化能力，帮助银行形成更强的差异化竞争优势，从中脱颖而出，就成为了星云新的头号任务。
考虑到风控场景的复杂、多样性，在标准产品方案之外，腾讯安全天御也会让风控专家为客户提供风控场景的咨询和服务，定向输出一批定制化方案。
风控SaaS服务也会通过隐私计算技术进行定制建模，将腾讯系统的黑产对抗感知能力和客户的场景进行深度融合，形成针对性的精准风险量化评估。
不过，要提升银行的风控“即战力”，业界往往会讨论起模型准确性、算法先进性，但这未免太过偏颇，就如同战场上绝不可能纯靠一支八倍镜就锁定胜局。
时间，可能才是这场战事里的最大变数。
纵观互联网信贷的发展历程，起初，时间的重要性更多体现在传统线下信贷业务向线上跃迁，借助AI的力量从人工审批进化到实时秒批秒贷。
而现在，这种争分夺秒更指向动态风险管理的概念，“识时务”才是一个优秀风控解决方案应有的素质。
“风险决策不是非黑即白，一定是根据对风险的精准量化，对当前大环境的判断，对不同的时间点和状况，不断进行调整。”
“也就是能够及时感知到风险的变化和差异，并且做出相应的决策，包括进件个体、自身大盘、不同渠道的风险，以及宏观环境和经济形势的变化。”李超这样解释动态风险管理。
他进一步指出，在新兴互联网业务中，黑产极其活跃，如果没有完善的监控告警机制，没有及时感知和响应重大风险，对新业务的打击可能是毁灭性的。
这也正是为什么在星云风控平台身上，对实时、即时、及时的重视，随处可见。华夏银行也曾表示，在与腾讯安全天御合作的过程中，对风险提前感知的场景，给他们留下了深刻印象。
雷锋网AI金融评论注意到，星云将流式计算应用于特征加工和实时决策等环节，从而能支持灵活配置风控策略与决策流，实时响应业务风控政策的变迁，也可以根据实际业务场景、地域分布等限定条件灵活部署。
流式计算等技术的采用，通常被认为能够打破时间窗口的限制，实时性是其最大优势，这也意味着星云在面对最近一段时间诞生的“新数据”时，快速处理和分析的能力都大大提升。
李超透露，目前的星云方案可以让所有业务之间的通信，都经过流式计算处理后的信息流，保证可以360°感知业务风险全貌。
同时，也可以基于这样的信息流，构建实时风控数据报表。以往的报表呈现，需要先线下完成数据的抽取和整理，现在可以通过实时构建的报表，直接感知到数分钟甚至几秒钟前的最新业务情况。
不过李超也指出，数据处理实时性的提升，也意味着对资源消耗、数据容量的考验，如果把较长时间的数据都入流计算，反而会大大影响系统整体效率、成本相应增加。
因此，团队采用了“大小窗”的方式，例如将数天之前的“旧数据”预加载好，“新数据”采用流式计算处理，充分发挥实时处理和离线处理的各自优势，让整个风控体系的效率再进一步。
此外，星云平台也支持在线模型的部署、名单管理，变量中心具备数据可视化进行自定义二次加工能力，衍生丰富的特征；策略、模型和变量也可以完成在线更新，无需下线之后再发布，种种细节保证银行风控尽可能跟上信贷展业的脚步。
真正把星云与市面上常见的风控解决方案区分开来的，其实不只对时间的“敏锐”这一特点。
李超就表示，腾讯安全天御的风控反欺诈“作战经验”，为星云提供了不小的先发优势。
网络黑灰产是所有线上业务最大的风险来源，目前中国的网络黑产从业人员有近200万，与黑产对抗需要专业的对抗能力和技术体系。
过去二十余年中，腾讯一直服务于互联网行业，作为与黑产对抗的排头兵，沉淀出了一支专业的黑产挖掘对抗团队和一套完善的黑产手法分析，情报收集，和实时感知检测的体系。这些能力是保障星云业务能够健康增长的坚实根基。
同时，风控建设很多时候牵扯到银行数字化转型的整体规划，此时腾讯云在技术生态和产品体系上的完善就显得格外重要。
李超透露，他们与客户之间不只是信贷风控上的合作，在营销风控，身份安全，以及至获客方面，腾讯云都有成熟完整的方案。
不仅如此，针对目前很多银行整体零售数字化转型，腾讯云的TCE全栈专有云，或是企业级分布式数据库TDSQL等基础能力，能满足银行全方位的需求。
比起单一的风控方案输出，星云携“配套设施”而来，为银行带来腾讯在大规模互联网业务方面的深厚IT积累，也让银行的风控体系能在更“熟悉”的土壤之上顺利长成。
近年来备受关注的隐私计算技术，也被嵌在了星云深处。这一前沿技术让团队在服务银行时，可以更及时完成风险决策的定制化，多方数据也有机会在此兼容、发挥共同价值。
腾讯安全其实早已开展相关技术研发，去年就上线过联邦学习的应用，主要用于银行信用卡反欺诈等场景，李超也曾做客雷锋网AI金融评论主办的联邦学习公开课，详细解读联邦学习+金融风控的运用逻辑。他表示，当团队需要与银行进行深度模型定制，但银行数据又不轻易出本地，这正是联邦学习的“用武之地”。
李超还告诉AI金融评论，具有丰富风控经验的金融行业专家资源，是星云的必备配置；在服务众多客户之后，团队也形成了独有的“更广阔的横向视角”，对行业最新趋势感知及时，某种程度上也使得星云具备了“联防联控”的效果。
值得一提的是，有时技术服务商给出的解决方案，核心部分采用黑盒模式交付，但银行对此很难放心。
加上监管层一直强调银行独立风控的重要性，保证银行对风控体系的“自主可控”，也就成为了风控服务商们的“必修课”。
李超表示，腾讯安全天御团队会将所提供的服务，源码开放给客户方，所有基于服务开发的策略都是透明可查，很多客户也在与腾讯的合作中，逐渐搭建起了自己的风控团队和风险管理能力，成为行内的宝贵资产。
目前，星云不光应用于借贷风控和交易风控两大常见场景，还能用于智能风险管控中台这一场景。
为何一个风控平台却要以中台的形式呈现？二者的区别何在？李超解释称，星云本身是更垂直的解决方案，针对零售信贷业务而生，但并不是只能用于信贷，风控能力同样可以“复制粘贴”到其他场景。
而风控中台更多是横向“贯穿”银行各个业务和场景，从过去以账户中心的风险管理，转变为以用户为中心的风险管理，形成顶层设计，统一视角，协同防护的能力。
他指出，部分银行其实已经陆续做过一些数字化风控建设，但往往是“烟囱式建筑”，他们迫切需要将烟囱之间串联起来，中台正好能协助原有的“建筑”变成稳固的“地基”。这种先横向构建、再基于中台做业务搭建，也是很多规模较大的城商行的首选。
今后，星云也会在银行的运营、营销等多个金融服务环节中发光发热。AI金融评论此前也曾报道，腾讯安全天御已经在营销风控领域有所收获，其风控能力帮助某股份制银行开展营销活动，精准识别和打击黑产，识别恶意率高达99%以上，确保银行的营销资源没有被黑产套利，而是被精准投射到客户手中。
（推荐阅读：《和欧美老牌风控巨头齐名，腾讯安全天御做对了什么？》）
定位、适配、稳定性、冷启动……那些待解的风控难题
跳出星云，我们也与李超深入讨论了风险管理一个永恒的命题：
风控与业务增长、与用户体验，怎么平衡天平的两端？
李超分析称，很多银行做传统线下业务的时候，流量成本是忽略不计的，通常只是计算门店的运营成本，银行可以优中选优，精选最放心的客群来做业务。
但在线上化、数字化的时代，获客成本、风控和业务增长之间的矛盾，被更具体地量化和放大，“如果再用粗放式手法挑选客户，实际上是对营销成本的巨大浪费，导致业务无法生成一个清晰可行的盈利模型。”李超说。
如何平衡，其实没有唯一答案，只有适合自己的最优解。
在他看来，想要端稳这碗水，核心在于风险策略的选择上，也在于风险量化的能力上，在于能否找准自家产品的风险定位，能否认清当前业务的风险水位。
一套风控决策流程也非常体现行业知识的积累，基于对风险的精准判断来给出差异化的动态决策。星云的设计思路和技术细节，也正蕴含了这些风险理念。
而对于智能风控的趋势，李超也给出了他的详细观点：
第一，在样本量有限的情况下如何保证风控模型的稳定性，将会是需要持续加强的技术问题。
他指出，信贷业务场景中，收集样本的周期非常漫长，尤其是在银行这样的传统金融机构，风险偏好更趋保守，更不可能大规模收集坏样本，但样本量不足又会影响风控建模的效果，因此迁移学习等技术，将会是弥补样本量不足的重要手段之一。
第二，则是前文所述的动态风险管理问题，借助技术手段提高风控模型与业务、与行业的适配性。
第三，正如星云对联邦学习的采用，隐私计算在风控中的应用将会愈加广泛，让模型持续更新，保证风控评分的提供方与业务方之间有良好的联动。
李超同时还强调，零启动/冷启动是信贷风控中普遍存在的问题。
他表示，信贷业务场景中，收集样本的周期非常漫长，尤其是在银行这样的传统金融机构，风险偏好更趋保守，更不可能大规模收集坏样本，但样本量不足又会影响风控建模的效果，因此迁移学习等技术，将会是弥补样本量不足的重要手段之一。
回过头看，互联网金融“大爆炸”的时代，也是大数据风控茁壮发展的时代。
但巨大流量带来的高速增长的业绩，将金融服务粗放式经营的“顽疾”掩盖。金融人往往手握大量数据、规则和算法，却没有读懂真正的风险管理。
机构很多时候不够实时了解客户，也没有找到风险与回报的平衡点，以为数据量越多、维度越全，就是更好的数据，就能实现最好的风控效果。
如今互联网金融业务经历一轮接一轮的强监管，持牌金融机构也要面临合规治理，创新金融业务的风险亟待出清，利用技术手段协助机构达到金融风控的合规性，提升自动化、专业性、时效性、包容性、协调性，必然成为后续智能风控的主题。
而星云也正如它的名字一样，在腾讯庞大完备的技术生态和天御的反欺诈经验中“凝聚成云”，见证过互联网信贷与大数据风控的起起落落。这样一支“特种部队”，在金融科技强监管的时代里，还能为银行们带来怎样的风控成绩？我们静候其变。
封面图片来源：电影《拆弹专家2》
正在生成分享图...
nebula