用户案例NUC2022
同盾科技：聊聊知识图谱在金融风控场景中的应用｜NUC2022
本文整理自同盾科技-软件产品负责人-何免在 NebulaGraph 年度用户大会 · 生态伙伴专场的分享，现场视频如下——
各位线上的以及现场的朋友大家好，我是来自同盾科技的何敏，现在是同盾科技的软件产品负责人。非常感谢悦数科技能够提供 NUC 的平台和大家做一些这样的分享和交流。
同盾科技：专注决策智能的 AI 科技企业
给各位介绍一下同盾科技，可以用三个数字来介绍——
1 个中心：是同盾科技专注于决策智能领域，或者是说我们以决策智能为中心叫一个中心。
2 大平台：经过多年的突破和发展积累，我们形成了两大技术平台，分别是基于人工智能的决策智能平台，以及基于隐私计算的共享智能平台，那都是以智能决策为中心的，智能决策为基础的这样一个大领域。
3 个领域：那就是同盾科技从业务角度来讲的话是专注于三个领域，金融风险，业务安全和数字化转型。
同盾是 2013 年底成立的，当时业务主方向的选择上来讲，是做刚刚提到的安全这一块业务，或者是说反欺诈这一块业务，后续随着我们业务的不断外延扩大，我们就会提供金融风控相关的这样一个服务，这个时间节点在15年、16年，当时我们服务于一些新的金融形态，包括一些银行的金融风控。
后来随着金融服务的深入，我们提供了一些比如咨询，分析咨询业务咨询等相关的一系列服务，到目前为止，基本上形成了多品牌同时发力的这样的情况，具体来讲——
第一个就是 Trust Decision，跟同盾的首字母是一样的，定位于全球风险的决策智能，包括国内业务和国外业务国内业务国外业务。
第二个是刚才所说的安全业务，就是我们所说的小盾安全，就是业务安全的这样一个品牌。
第三个是刚刚我们提到的为金融，特别是为银行提供这样的一些业务和分析咨询相关的这样的一些服务。
最后一个就是中博信，是我们另外一个独立的品牌做企业征信，服务的对象是中小微，因为现在国家也是大力扶持实体经济，这一块主要的对象是中小微（企业）。
所以说，目前四个品牌同时在同时在推进，同时在发展和布局。
接下来看一下，我们多年来得到的一些肯定。
第一点，我们从成立到现在，在开展业务过程一直保持一个比较 open 的态度，或者说产学研各方面，我们以合作的心态在做事情。第一个来讲的话就是左侧入选的国家科技部的科技创新 2030 的这样一个项目；高校合作这块，在新一代人工智能重大课题组，我们应该是第一批单位，这个项目里包括了五大高校和五大企业，具体就不展开了。
第二点，就是从结果角度来讲，在金融行业我们多次获得了亚洲银行家等一系列奖项奖项，是从市场这样来看，刚刚也提到我们会一直在保持和高校的产学研相关的一些合作，比如说和浙大、西工大（我们）一直在保持这样的一个合作形式。
再看一下公司的团队，我们的创始团队主要是来自于像阿里、 PayPal、银联等这样一些顶级的科技和金融公司，也形成了丰富的技术和行业管理方面的经验。
整个来讲，技术和业务相结合是我们的特点。同盾现在有 1000 多人的规模，其中 80% 以上是产品研发或是数据科学家，所以说是个技术型的公司。其次就是业务，我们基于行业理解，为刚刚所说的三大领域提供相关服务。
具体展开来看一下，最下面有个基础平台，也就是刚刚提到的两大平台，一个是基于人工智能的决策智能平台，第二个就是基于隐私计算的共享智能平台，具体来讲的话，就是四大块服务形态：第一类是信息类的 SaaS 服务，主要服务于金融，比如说服务于信贷风险管理，服务于企业的风控，服务于营销以及其他的一些基于数据的这种评分产品。
第二类就是我们安全类的服务，也就是我们刚刚提到的业务安全相关的，比如内容安全，业务安全以及跨境安全。现在因为中国的企业在往外走，所以我们把在国内服务风险的产品技术和行业方案，伴随着我们的合作伙伴一起出海，这就是我们今年年初启动了叫 Trust Decision 这样的一个品牌战略的大背景。
第三个主要服务的业务领域或者是产品形态，叫软件产品。软件产品服务的主要对象就是金融科技金融企业，特别是银行，我们服务的客户数是非常多的。
现在来讲大概有7大产品体系，分为两个维度，第一个的话就是我们的决策引擎平台，比如像实时风控这样的一些服务，信贷风控的一些服务，这些场景都是在实时决策智能平台上，我们叫天策。
第二个就是我们的机器学习或者是模型平台，主要是专注于整个模型的全生命周期的这样一些服务，包括模型资产的管理，机器学习模型的服务等全流程全生命周期的这样的一些服务。
第三个就是今天分享的主题了，因为第三部分会讲云图刚刚也提到是我们同盾研发的知识图谱平台，最后一个的话就是基于科技手段和产品手段，还结合着我们对于业务对于行业的理解，会有一个智能运营平台。比如说决策的规则，我们有对应的一些运营平台去评估什么样的规则好，什么样的规则不好，所以这边推出了独立的一个产品体系叫方升。
这里快速看一下我们主要是金融类的客户，今天分享的主题都是金融场景的应用，这边就快速过一下就不详细展开了。
同盾知识图谱平台介绍
云图知识图谱平台主要分为三个部分，最左边颜色最深的这一部分就是知识图谱的底层平台，是通用的一个平台，这里有包括知识图谱的构建，比如说平台的数据接入、计算、存储以及对外服务，是一个底层的平台。
这个平台之上会有一系列的服务于客户的标准产品，比如可视化、风险预警等一系列相关的标准工具产品。
最右侧是业务，我们有对应的一些应用。比如说在银行对公的应用，我们内部叫银行对公的图谱，在零售、信贷、零售、交易、信用卡以及车险就保险行业的理赔场景的应用，
所以说整体来讲，左边是技术，中间是产品，右侧是业务，最后统一承载在“云图”这样的一个全栈的产品方案当中。
这里看一下云图知识图平台的能力全景图。
其实刚刚也大体介绍了，第一个的话我们可以接入这样多元异构的数据，也就最下面这一层，包括结构化的和非结构化的，在上面一层高亮蓝色的这一部分，就是我刚刚所说底层平台基座的一部分，底层平台技术的一部分包括几大引擎，第一个的话就是我们的知识图谱的构建引擎，然后构建好的地方我们要去存储它，统一的知识库存储引擎就跟 NebulaGraph 有关系的，因为 NebulaGraph 图数据库是作为我们存储引擎当中非常核心的存储的方案，你看存储引擎当中的左下角有个知识图谱的存储方案，其实说的就是图数据库。
再上面的话会有一些图计算，或者图挖掘的一些计算框架，包括实时的图指标的一些计算框架、计算引擎在里面。
在右侧有一个不一样的地方，就是图谱实验室。在为客户服务的过程当中，我们遇到这样的一个问题和挑战——因为知识图谱在国内的发展其实时间也不长，大家都有可能不知道怎么样去用知识图谱。
特别是我们的客户，或者是我们现在服务的银行类的这样的一些客户，他们说我应该怎么样去构建一个图谱？图谱构建出来，怎么样去评价好与坏？以前是交给数据科学家或建模人员，他知道什么样的图谱构建出来好，什么样的图谱构建出来不好，就跟模型训练一样，对应的机器学习领域就有个模型实验室，我们这边相应的叫图谱实验室——这个是同盾云图推出来一个很具有特色的服务，它能解决客户构建什么样图谱以及如何感知和评价图谱，是否适合他的业务带来解决他的问题带来效果的这样一个问题。
因为今天讲的还是图谱还有应用，我们在应用那边具体展开，几个特点，第一个我们的图谱平台是一个非常灵活的这样一个平台，我们能够做场景业务的支撑，这是我们的一个很大的特点。因为在不同的场景下，对于底层的图谱的要求是不一样的，有些场景应用它会强调离线批量，或者是大规模这样的一些特性，有些会强调实时、性能或者是吞吐量这些，所以说我们在这平台之上，根据不同的场景是以组件化的方式在设计我们的平台，同时在不同场景下我们可以灵活地去组装应对，这是第一个特点。
第二个特点就是刚刚也说了，我们除了技术产品，最重要的是业务。同盾其实还是基于我们的平台或者技术上面去做业务，做场景应用的，这是叫端到端的解决客户的问题，所以说我们在沉淀或者是建设的不同场景以下的这样的一些领域图谱的标准方案，基本上就是通用的一些场景，我们能够做到开箱即用，这是服务平台的另外一个特点。
这里刚刚也提到了关于我们的存储方案，第一个来讲，我刚才也提到了它的不同场景，对图数据库也好，这个图这个平台的能力也好，它的要求是不一样的，所以说我们能够做到这种适配，包括像图数据库的适配、实时查询能力，还有一些图仓的技术等等，所以说整个它不仅仅是单一的一个图数据，而是整个知识的，面向于整个应用的这样的一个综合的存储方案。
再简单介绍或者总结一下我们图谱平台的这样的一些特点和优势，整体上来讲的话分为四个点。
第一个来讲专业，同盾做图谱是从16年开始到现在应该有大概6年左右的时间，在这过程当中我们也成立了很多的有核心竞争力的东西，特别是我们关于技术和业务相结合的一些专利性的东西；第二个来讲的话就是我们有开放，向上开放和向下开放，向下就是刚刚提到了我们跟比如说图数据库，我们以生态的方式去合作，比如说和悦数科技的图数据库 NebulaGraph 的合作就是一个很典型的这样一个案例。
另外的话是向上开放，向上开放主要是平台能力的开发，因为我们现在服务的客户很多情况下是一些科技部门或者是银行的研发中心等等，所以他们对于图谱平台的开放能力的要求是非常高的，也就是他们能够在我们平台之上能够去做相关的一些开发，甚至说标一些他们自有自己特色的一些产品的开发，因为刚刚我们在云图平台当中最中间一列有个标准产品，那在具体的行业应用的过程当中，其实他们需要较强的这样的定制化的一些要求，所以说要做到向下开放和向上开放两点。
第三个，我们在金融场景的落地案例还是非常多的，我们现在通过几年的实践，有将近 40 家银行图谱的实践案例，大概建设了超过接近 30 个场景应用的标准方案，这 30 个场景应用标准方案基本上能够做到开箱即用，客户在接入和建设图谱和应用的过程当中是非常高效的。
最后一个效果，也就是同盾关于业务价值和业务知识体现的一个很好的这样的一种形式，我们不是把产品给你，也不是把工具给你说你自己用，而是我们把产品、技术给你，同时给你带来对应的方案，我们帮你去解决你的问题，叫端到端的解决方案。
知识图谱解决方案和应用介绍
刚刚是介绍了知识图谱平台的相关的一些能力，那么接下来看看这样的能力和我们具体的金融场景的应用，也就是这里第三部分方案和应用。
我们一再强调，同盾的知识图谱是专注于垂直领域的，所以说右边有一个高亮叫金融知识图谱。
当然这种知识图不是某一个具体知识图的实例，而是泛指我们给金融客户或者是金融这个领域提供了一系列的知识图谱的总称，所以说它具体体现在哪些？第一个比如说对公业务，在零售交易，零售个贷图谱，也就是我们所说的零售信贷图谱，包括信用卡业务的相关的一些图谱，包括用于内控合规反洗钱等方面的这样的一些图谱。
当然除了金融场景之外，我们在保险政企和公安行业都有相关的一些案例，但是主赛道还是在金融。
我们接下来对各个不同的场景应用做一个分享，第一个是我们在银行的对公业务，也就是叫对公知识图谱这块应用方案。
我们对公的知识图谱具体主要解决哪些问题？第一个的话就是隐形关系的一些挖掘，还有一些反欺诈的应用，包括像行内集团授信相关的应用，包括集团风险的整体的挖掘和研判，一些像担保圈链黑名单族谱这一系列这个词大家可能都都听过，甚至是非常熟悉的这样的一些应用的思路，但是为什么同盾还要推出来这样的一个应用，它有什么样的特点？因为我在跟很多客户交流的过程当中，大家都会问，说市面上有企查查、有天眼查等都有类似的服务，直接采购是不是就够了？
这里有个很大的理解上的偏差是，我们客户在服务于对公业务的时候，是结合他自有的数据，或者自有的对公的业务数据做的知识图谱，而不是说基于什么外面的工商数据也好，舆情新闻数据也好，做出来的图谱是有很大的差别。
所以说我们在为银行服务的时候，基本上是思路是内部数据和外部数据相结合。我们很多银行的客户，他是采购了像市面上的对公的数据，把这个数据拿来和行内的一些数据结合起来，它可能做不一样的东西，比如说右上角第二个叫行内集团，就是由行内的对公客户形成的所谓的集团关系，在这个上面做相关的一些业务。
还有就是下面提到的黑名单族谱，黑名单是在银行对公业务里面已经形成了，或者是说有这样的业务表现了，这样的一些东西在外面是没有的。基于这样的一个知识图谱，再加上它的业务表现可以做很多事情，一个集团内哪些是已经发生逾期的或者纳入黑名单了，然后它相关联的其他的一些子公司是否要去做房贷，是否要做风险的管控等等，所以说这样是最大的特点或者是区别在这。
另外一个的话就是在零售信贷或者说个贷这一块的应用，基本上我们的思路从贷前、贷中、贷后形成一整套的解决方案。从贷前角度来讲，我们一个拳头产品叫多头产品，或者是叫贷前申请反稽查报告，大概是这样的一个产品。
因为我们之前看到的更多是个人的多头，比如说你们去申请贷款的时候，说我一个人在多家平台借贷了，你借得越多我越不敢贷给你，因为你的金融风险很高，你还不起钱有可能甚至可能是以贷养贷等等这样的一个情况。
但是传统这种多头更多的还是从个人维度或者是范围很有限的这样一些维度去评估它的信用风险。但是我们把他的社会关系，其他的一些信息整合在一起，然后发现如果说一个团伙或者说更加接近的人，但是会形成一个群组的多头，这是一个更加有价值的这样的一些多头数据，也就是说整体的比如说你的家人、老师到三代或者亲朋好友，虽然你的多头不高，但是你的亲近的人多了，你的还款能力也是有问题的。等等。
我就举个例子就是说知识图谱在信贷场景的风控的应用，可想象的空间还是很大的，贷中我就不具体展开了，肯定就是一些贷中一些风险，比如说信用风险发生变化以后，它能够传导的情况；最后一个的话就是像贷后最典型的一些应用场景的话，就是催收对吧，你自己联系不上了，我还是可以通过其他方式联系你。
这个的话我们在华北的一个客户那边，最近刚上线的这样的项目，表现是非常好，整个项目集群大概在百亿级，第一次我们上线以后跑完以后，确认就是用传统的所有的信贷手段联系催收或者是信息修复的手段，已经找不到那些人再到我们的系统跑一遍，大概增益抓出来10%，就是额外给他抓出来，或者是联系上10%，这是一个很好的效果。
接下来看在信用卡业务风控场景的应用，其实这应用的方案也很多，刚刚我说了我们有将接近 30 个应用场景的方案，我不一一展开了。
举几个例子来说，第一个来讲像积分套利，就是左上角的就积分套利这样的一个网挖掘，这也是我们跟客户在在持续服务和建设过程当中沉淀下来的这个案例，大家明白信用卡有积分的可以兑换东西，有可能当中的一些不法分子会做一些欺诈行为，作为欺诈行为，当时他们在识别风险的周期是非常非常长的，或者说一周才能够说把数据给跑出来，然后通过各种关联，各种分析，大量的人工，然后才能解决这个问题，但我们上线以后基本上第二天就可以解决这样的问题，时效非常好，同时他们传统的手段，通过Excel表格也好，或者是一些拉数据库，然后从人工分析，我们给它对应提供了相关的积分套利的这种排查和研判的这样一些工具，这就是刚才所说的，我们除了平台，还有上面的标准产品上面这样还有什么需要有不同场景的应用的这样的产品的建设的能力，这是积分套利。
再说一个比如涉赌涉诈，电信诈骗当中我们也提供对应的一些服务，比如说电信诈骗很典型的就是一些资金流向的问题，骗人转账转账以后怎么销账转发掉对吧？这些通过知识图谱的手段实时的去监控，也是能够做到防范的作用。
另外一个的话就是内控合规。内控也好，合规也好，其实要考虑的点是非常多的，我们现在建设的场景分为这四类，第一个的话就是员工涉及的非法集资，包括员工的一些非法行为，员工挪用客户的资金做一些其他的比如炒股，还有反洗钱的应用都属于内控合规方面。
像员工挪用客户资金典型案例，其实为什么去知识图谱去做？是因为它底层的逻辑，我们应该有个叫管护，大家不知道在银行内部这个叫管护或者是客户经理的这样一个角色，但是有些管护经理他可能出于种种原因，他可能会做一些非合规的这样的一些动作，比如说私自登录客户账号转钱，短期挪用等等，这样的话在底层逻辑什么，他就会涉及到账户登录行为和个人账号之间的关系，我们通过知识图谱去挖掘或者是预设这样的一些不合规的业务规则就可以实时的去监控。这个项目我们在一个客户那边用了以后，上线的第一天就在两个分支行抓住两个人，然后就做相关的处理。
这些业务效果是非常好的。
最后一个是反洗钱，反洗钱的应用其实也很典型，估计最近这两天大家分享也很多，这个关系也好，图相关的一些技术也好，都会用到反洗钱上面，因为反洗钱跟资金流有很大的关系。同盾这边有几个特点，第一个来讲的话，就同盾资源的偏业务型的这样一些算法和模型，第二点来讲的话就是我们在客户那边具体实施的案例，因为华南一个客户，去年年底的时候，排查出来1000多个疑似的问题，经核查有600多个——所以说我这一点也强调了什么？ 知识图谱也好或者是图技术也好，在反洗钱相较于传统的方案有很大的增益和补充，这个是在这场景应用是非常好。
我们刚刚讲的更多的是银行，其实除了银行之外，我们在其他场景也有应用，比如说在保险或者是车险这块，同盾有一个专门服务于叫保险科技，或者是保险安全的这一块团队，他们用了同盾的很多技术，其中有一块知识图谱相关的一些能力和技术。我们看一下右边有知识图谱的能力，也就是我们刚刚提到的云图，还有机器学习的一些能力，还有一些在这些能力基础之上，我们给了研发了一套专有的车险理赔减损的这样的一些探针，其实就是一些模型。这个方案主要包括四个维度，第一个是高危欺诈团伙的识别，因为欺诈行为在金融场景下典型的特点，是一个人可以做欺诈行为，叫单体的欺诈，还有很多人可以一起做欺诈的行为，但是车险不一样，车险基本上欺诈都是团体行为。
所以说这种场景是非常适合于就这种风险场景的识别，非常适合于知识图谱和关系网络的挖掘的手段去做。
左下角有一个很典型的案例，应该是中国第一大保险公司，华南的一个分公司，然后我们上线以后就抓出来有 300 多个团伙，涉案车辆达到几千台，总涉案金额有接近 3,000 万，大概是这样的情况，所以说效果还是非常好的。
与 NebulaGraph 的合作方案与展望
接下来我们就和各位分享一下我们和 NebulaGraph 的一些合作和案例，以及我们和 NebulaGraph 在方案层面及合作层面是有什么样的一个思路和期望。
这里先举一个案例，我们跟 NebulaGraph 合作其实有很多案例，这里就挑一个也是今年刚拿下的这样一个案例。看左边的这张图，我们可以看到，从下往上看，第二层就是 NebulaGraph 在这个项目整个方案中部署的图数据库集群，在上面我们部署了一个同盾云图的知识图谱平台。
为什么要这么去做？主要解决两个问题，第一个问题是银行的数据还是比较分散，现在大家都在提数据孤岛，很多年都在提这样的问题，但这个问题是否从根本上得到解决，我觉得是要打问号的，现在这种现象还是很普遍，对吧？
NebulaGraph 图数据库一个很大的特点就是分布式，所有的数据都汇聚到图当中来，所以解决了这样数据孤岛的问题。
第二个来讲的话，你看最上面的应用，比如说网贷的申请团伙欺诈，账户关联的这样的一个关系分析,还有信用卡申请的管理分析等等，这些应用场景对于实时性的要求还是非常高的。所以我们在平台基础之上，除了把这个数据汇聚在一起做系统性的关联分析之外，NebulaGraph 还提供了相当好的实时的这样一些能力支撑。
因为我们现在是做应用，除了离线能力之外，我们在实时能力也有很高的要求，如果说实时风控做得好的话，其实能够防掉或者识别出来大部分的这样的一些风险，风险识别的时间越提前，我们的损失就会越低，越滞后损失越高，所以对实时计算能力要求也很强。
整体来讲的话，我们云图的方案和 NebulaGraph 的合作方案是一个比较深入的或者是深耦合的这样的一个方案。
我们借助于 Nebula 图数据库的能力形成了同盾云图的图挖掘引擎。我们复用了图数据库的比如说 TP （Transaction Processing）的能力，AP（Analysis Processing）的能力等等，所以整体上来讲的话，形成了这样的一个专有的独立的图挖掘的这样一个引擎，也是云图平台的核心。所以说同盾跟 NebulaGraph 是个深度的合作的关系，而不仅仅单单把它作为一个图数据库。
另外的话刚刚也提到了，我们要打造端到端的实时知识图谱的服务，刚刚也提到一点，风控也好和风险识别也好，对实时性的要求是非常高的。
简单看一下整个的数据，客户的交易场景下对实时数据的处理流程基本上是这样。首先业务的数据会通过一些消息中间件，然后流到系统当中去，现在当然是流到云图，也就是我们实时的知识图谱的构建平台。实时图谱的构建平台经过知识的处理和加工以后，我们会放到图数据库当中去，同时我们提供实时的图计算框架，然后这指标计算的框架就可以输入到我们的一些决策系统当中去，也就是最右侧的比如说风控策略。
但风控策略就是实时的决策系统当中去提供相关的一些服务，在这个过程当中这个实时要求是非常高的，基本上整个流程跑下来，如果说有些客户的要求不是太高的话，可能 200 毫秒能接受，但如果要求高的话（就要）几十毫秒，所以说实时计算能力要求非常高——我们基本上当然也是依托于 NebulaGraph 的 TP 的能力，NebulaGraph 在 TP 这块的表现是非常非常好的，借助于这样的一个能力，所以说建设了整个一套方案。
最后介绍一下同盾产品和 Nebula 合作的整体优势，我一再强调，同盾这边其实从我的理解三个词，技术、产品和业务。业务，我们服务了很多客户，我们有很深刻的对于行业的理解，理解之上我们有对应的、端到端的方案，包括我们有很丰富的这样的一个建设的经验，同时我们的平台非常灵活。
另外一点是 NebulaGraph 这一块的话，也是在项目合作过程当中给我的印象非常深刻，第一性能快、第二就是自主可控，因为现在在国产化要求浪潮下，最近这两年特别强调国产化的这样一些要求，我们在做服务客户在做项目的过程当中，也最近就要遇到的频次或者是客户关注以及提的要求的频次也越来越高，他们对于国产自主可控的要求非常大。特别是像 Nebula 作为基础软件，对于基础软件的国产化要求更高。
我们在最近刚好发生了一件事情，在客户服务的过程当中，他们说同盾说我都不需要你们的资质，但是为什么要让你们去做，因为你们就是国内的公司，你们做的是应用，做的是业务，你们必然就是什么国产化，自主可控，所以说它不需要你认证。但是对于图数据库它就不一样，底层的基础软件，包括像操作系统、CPU，包括像数据库，我们的客户在这一块的评估的时候一定有对应的一些资质和认证。
所以说我觉得 NebulaGraph 叫全国产，完全自主可控，也是帮我们解决了很多问题，没有图数据库上面的平台其实是不能直接服务客户的，但如果说我们用了国外的厂商，底层的这个东西也不是自主可控的，那么整体方案也出不去，所以说是一个深度合作、互相互补的合作关系。
第三个就是云原生。我们现在也在做生态，国外人力成本很高，所以基本上在国外都是上云的，整体上云是一个共同的趋势，也是一个共同合作的基础，所以说咱们可以简单的讲，大家想到一块去了。
好吧，我今天的分享就这么多，谢谢 NebulaGraph。
- 相关推荐：
