傳統(tǒng)銀行無法提供無縫的全渠道客戶體驗(yàn)、無法實(shí)時(shí)檢測欺詐、無法獲得業(yè)務(wù)洞察力、用戶體驗(yàn)感較差、品牌聲譽(yù)受損和業(yè)務(wù)損失？Redis企業(yè)版數(shù)據(jù)庫具有低延遲、高吞吐和可用性性能，實(shí)施Redis企業(yè)版數(shù)據(jù)庫，可以使金融機(jī)構(gòu)實(shí)現(xiàn)即時(shí)的客戶體驗(yàn)、實(shí)現(xiàn)精細(xì)高效的財(cái)務(wù)風(fēng)險(xiǎn)分析、降低成本、實(shí)現(xiàn)零信任、進(jìn)行欺詐檢測、利用AI進(jìn)行在線特征存儲(chǔ)等，從而全方位滿足客戶的需求。

一、利用AI/ML模型進(jìn)行欺詐檢測

1.概述

在如今的金融服務(wù)行業(yè)中，新數(shù)字產(chǎn)品進(jìn)入市場的速度越來越快，系統(tǒng)之間的聯(lián)系也越來越緊密，網(wǎng)絡(luò)犯罪活動(dòng)也持續(xù)增長。企業(yè)每年因欺詐而損失數(shù)百億美元，受損形式包括罰款、和解金以及削弱支撐金融服務(wù)行業(yè)的信任和客戶忠誠度。在過去兩年內(nèi)，有47%的企業(yè)曾發(fā)生欺詐，零售欺騙案件同比增長2倍，根據(jù)PWC報(bào)告總的損失為420億美元。

隨著在線交易的復(fù)雜性、數(shù)量和速度的增加，金融企業(yè)需要利用更先進(jìn)的欺詐檢測方法來應(yīng)對網(wǎng)絡(luò)犯罪分子的持續(xù)攻擊及不斷變化的欺詐策略。

2.挑戰(zhàn)

數(shù)十年來，基于規(guī)則引擎的方法一直被用于打擊欺詐，雖然可以有效檢測簡單、不變的已知欺詐模式，例如黑名單或執(zhí)行速度檢查，但無法區(qū)分風(fēng)險(xiǎn)和正常行為，導(dǎo)致誤報(bào)增加，進(jìn)而損害用戶體驗(yàn)。例如，一位英國顧客在巴西里約熱內(nèi)盧的一家酒店消費(fèi)了400美元—這是在國外使用克隆卡，還是一位出差的高管正在使用呢?

3.解決方案

想要提高準(zhǔn)確性和檢測速度？解決方案是將AI模型與內(nèi)存數(shù)據(jù)庫中的上下文輸?/輸出數(shù)據(jù)放在一起，例如采用虹科提供的Redis企業(yè)版數(shù)據(jù)庫—提供滿足事務(wù)SLA所需的低延遲。RedisAI模塊可以為深度學(xué)習(xí)(DL)TensorFlow和PyTorch模型提供服務(wù)。

Redis企業(yè)版數(shù)據(jù)庫具有最小延遲、高吞吐量和高可用性的可擴(kuò)展分布式架構(gòu)，因此可用于AI/ML在線特征存儲(chǔ)。

?

二、利用AI進(jìn)行在線特征存儲(chǔ)

1.概述

從語音識別到垃圾郵件過濾再到自動(dòng)駕駛，AI和ML技術(shù)已被廣泛用于解決各行各業(yè)的問題。對于金融業(yè)而言，面臨的最緊迫挑戰(zhàn)是欺詐檢測、貸款審批和風(fēng)險(xiǎn)評分，這些都需要AI/ML特征存儲(chǔ)的幫助。

AI/ML特征存儲(chǔ)（FeatureStore）的定義：

• 人工智能（AI）：創(chuàng)造智能機(jī)器來模擬人類思維的實(shí)踐，例如通用智力。

• 機(jī)器學(xué)習(xí)（ML）：AI的一個(gè)子集，使機(jī)器能夠從數(shù)據(jù)中學(xué)習(xí)并根據(jù)該數(shù)據(jù)進(jìn)行預(yù)測。

• 預(yù)測應(yīng)用程序：依賴于數(shù)據(jù)上訓(xùn)練的機(jī)器學(xué)習(xí)模型，預(yù)測未來事件。

• 特征存儲(chǔ)：特征存儲(chǔ)為數(shù)據(jù)科學(xué)家、工程師和應(yīng)用程序提供了一個(gè)常用“特征”（數(shù)據(jù)點(diǎn)）的存儲(chǔ)庫。特征是有效算法的關(guān)鍵要素。

• 離線特征存儲(chǔ)：針對具有復(fù)雜時(shí)間點(diǎn)查詢的大型數(shù)據(jù)集進(jìn)行了優(yōu)化，并用于模型訓(xùn)練。

• 在線特征存儲(chǔ)：針對“較小”數(shù)據(jù)集的低延遲查詢進(jìn)行了優(yōu)化，檢索截至目前的特征數(shù)據(jù)并用于模型推理。

信用卡欺詐檢測的特征示例：顧客、交易金額及日期、每筆交易的平均支出、最近5-60分鐘的交易數(shù)、商戶、位置等。

通用AI/ML特征存儲(chǔ)參考架構(gòu)示例：

2.挑戰(zhàn)

MongoDB最初被用作在線特征存儲(chǔ)，為風(fēng)險(xiǎn)評分模型推理所需的在線交易功能提供服務(wù)。但是，MongoDB的性能不足以提供對傳入事務(wù)進(jìn)行實(shí)時(shí)評分的功能。

3.解決方案

Redis企業(yè)版數(shù)據(jù)庫取代MongoDB進(jìn)行在線特征存儲(chǔ)，并利用其內(nèi)存中無共享集群架構(gòu)、99.999%的正常運(yùn)行時(shí)間SLA，將響應(yīng)時(shí)間縮短了60倍。由于無法接受Kafka集群的往返延遲，類似的金融服務(wù)公司也計(jì)劃采用Redis取代Kafka作為消息代理解決方案。

三、加速分析和報(bào)告

1.概述

金融服務(wù)需要依賴于數(shù)據(jù)分析來獲得商業(yè)洞察力?？梢詫讉€(gè)月、幾周甚至幾天前的數(shù)據(jù)進(jìn)行操作，但很少有人可以對每分鐘或每秒鐘都在更新的交易流數(shù)據(jù)做出響應(yīng)。

2.挑戰(zhàn)

許多金融服務(wù)企業(yè)無法使用批處理、ETL工具和數(shù)據(jù)倉庫負(fù)載，無法分析半結(jié)構(gòu)化、非結(jié)構(gòu)化和地理空間數(shù)據(jù)。此外，數(shù)據(jù)類型變化速度可能遠(yuǎn)遠(yuǎn)超過處理遺留系統(tǒng)的能力。由此，金融機(jī)構(gòu)必須能夠?qū)崟r(shí)分析數(shù)據(jù)。

3.解決方案

雖然數(shù)據(jù)倉庫傳統(tǒng)上只提供靜態(tài)報(bào)告，但也越來越多地轉(zhuǎn)向動(dòng)態(tài)、可定制的報(bào)告。虹科提供的Redis企業(yè)版數(shù)據(jù)庫可以作為傳統(tǒng)的基于磁盤的數(shù)據(jù)庫前緩存，支持大多數(shù)數(shù)據(jù)結(jié)構(gòu)，可以提供急需的內(nèi)存預(yù)排序。最重要的是，Redis企業(yè)版數(shù)據(jù)庫可以通過亞毫秒級的延遲對數(shù)百萬條記錄進(jìn)行動(dòng)態(tài)查詢以實(shí)現(xiàn)實(shí)時(shí)分析。

通過使用Redis企業(yè)版數(shù)據(jù)庫，客戶可以實(shí)時(shí)分析任何內(nèi)容，包括聊天記錄、產(chǎn)品報(bào)價(jià)、社交媒體內(nèi)容發(fā)布、銷售數(shù)據(jù)、電子郵件、衛(wèi)星圖像、天氣趨勢，還可用于管理運(yùn)營、財(cái)務(wù)風(fēng)險(xiǎn)等其他類型的數(shù)據(jù)。

在迭代處理場景中，例如使用ApacheSpark的場景，Redis數(shù)據(jù)結(jié)構(gòu)可加速處理，對分析查詢提供更快的響應(yīng)。Spark-Redis連接器包允許Spark直接訪問Redis數(shù)據(jù)結(jié)構(gòu)以進(jìn)行最高效的內(nèi)存數(shù)據(jù)處理。Redis企業(yè)版數(shù)據(jù)庫還為SparkSQL提供了一個(gè)服務(wù)層和一個(gè)用于Spark處理的加速器。比如，一家大型跨國銀行使用Redis企業(yè)版數(shù)據(jù)庫軟件在基于磁盤的NoSQL數(shù)據(jù)庫之前加速大數(shù)據(jù)分析，使分析處理速度提高45倍。

四、客戶成功案例

以下是一些金融服務(wù)公司成功實(shí)現(xiàn)數(shù)據(jù)層現(xiàn)代化的案例故事：

1.德意志銀行DeutscheB?rse

作為國際交易機(jī)構(gòu)和創(chuàng)新市場基礎(chǔ)設(shè)施的提供商，德意志銀行B?rse集團(tuán)為客戶提供涵蓋金融市場的產(chǎn)品、服務(wù)和技術(shù)。B?rse總部位于德國法蘭克福金融中心，擁有約6000名員工，在歐洲、亞洲、美洲都擁有強(qiáng)大的業(yè)務(wù)。為了向客戶提供報(bào)告解決方案，DeutscheB?rse依賴于快速的數(shù)據(jù)報(bào)告和處理能力。

DeutscheB?rse使用Redis企業(yè)版數(shù)據(jù)庫作為智能緩存，以快速處理和組織數(shù)據(jù)。Redis企業(yè)版數(shù)據(jù)庫在不增加延遲的情況下已使DeutscheB?rse的交易數(shù)據(jù)量增長20倍。

2.支付解決方案提供商Kenbi

Kenbi為人工智能電子商務(wù)支付平臺(tái)提供了一個(gè)簡單、直接的解決方案，即利用發(fā)卡行和商家的一致利益來授權(quán)更多合法交易。但Kenbi的核心解決方案在很大程度上依賴于豐富的數(shù)據(jù)和風(fēng)險(xiǎn)管理。

在客戶選擇將業(yè)務(wù)轉(zhuǎn)移到其他地方之前，時(shí)間成為授權(quán)銷售的關(guān)鍵?；诖?，Kenbi轉(zhuǎn)向了AWS上的Redis企業(yè)云。Redis企業(yè)版為Kenbi提供經(jīng)過驗(yàn)證的、全面管理的服務(wù)，以及有保證的備份和冗余，使他們的團(tuán)隊(duì)能夠?qū)Ｗ⒂诮鉀Q電子商務(wù)商家和信用卡發(fā)卡行之間的支付問題。

Redis企業(yè)云支持從單個(gè)控制臺(tái)進(jìn)行無縫多云部署，在云中提供一致的統(tǒng)一數(shù)據(jù)層，并提供Redis的亞毫秒級性能，為應(yīng)用程序提供動(dòng)力。

3.PayPal旗下公司Simility

Simility是PayPal旗下的公司，它結(jié)合了機(jī)器學(xué)習(xí)和人工分析，提供基于云的欺詐檢測服務(wù)。Redis企業(yè)版數(shù)據(jù)庫每天可以管理數(shù)十億個(gè)事務(wù)，所以在交付新的應(yīng)用程序功能時(shí)，Simility的速度能夠提高30%，總體性能提高近90%。

結(jié)語

IT遺留系統(tǒng)的影響顯而易見：性能慢、存在數(shù)據(jù)孤島、應(yīng)用程序彈性不足、成本高以及市場響應(yīng)慢。

許多金融服務(wù)企業(yè)正面臨數(shù)字化轉(zhuǎn)型的壓力。為滿足客戶即時(shí)體驗(yàn)、實(shí)時(shí)風(fēng)險(xiǎn)分析、欺詐檢測等需求，同時(shí)為風(fēng)險(xiǎn)管理人員提供應(yīng)對運(yùn)營、財(cái)務(wù)和合規(guī)風(fēng)險(xiǎn)的工具，金融機(jī)構(gòu)必須采用實(shí)時(shí)的現(xiàn)代數(shù)據(jù)平臺(tái)。

?對于傳統(tǒng)銀行而言，如果不進(jìn)行現(xiàn)代化改革，將面臨被淘汰的風(fēng)險(xiǎn)。正如用例所示，使用Redis企業(yè)版數(shù)據(jù)庫的金融機(jī)構(gòu)能夠無縫過渡到敏捷且靈活的數(shù)據(jù)架構(gòu)，從而提高關(guān)鍵業(yè)務(wù)領(lǐng)域的性能水平。

虹科提供的Redis企業(yè)版數(shù)據(jù)庫具有亞毫秒級延遲、線性可擴(kuò)展性、企業(yè)強(qiáng)化功能和多種數(shù)據(jù)模型，是金融應(yīng)用程序的理想選擇。它通過跨區(qū)域的Active-ActiveGeo-Distribution確保全球五個(gè)九(99.999%)的可用性。

Redis企業(yè)云托管服務(wù)在AWS、GCP和Azure中可用，通過分層存儲(chǔ)選項(xiàng)、消除數(shù)據(jù)中心相關(guān)支出和提高IT生產(chǎn)力來降低TCO。這使金融機(jī)構(gòu)能夠?qū)Ｗ⒂诳焖賱?chuàng)新，而不僅僅是維持正常運(yùn)轉(zhuǎn)。在Forrester咨詢公司的TEI研究中顯示，使用Redis企業(yè)版數(shù)據(jù)庫的公司可以實(shí)現(xiàn)高達(dá)350%的投資回報(bào)率。

想要了解【Redis企業(yè)版更多功能】或者【金融服務(wù)數(shù)據(jù)層現(xiàn)代化白皮書】，歡迎評論或者前往虹科云科技官網(wǎng)！

關(guān)于虹科云科技

虹科云科技，企業(yè)級云解決方案的引領(lǐng)者！主要分享云計(jì)算、數(shù)據(jù)庫、商業(yè)智能、數(shù)據(jù)可視化、高性能計(jì)算等相關(guān)知識、產(chǎn)品信息、應(yīng)用案例及行業(yè)信息，為學(xué)習(xí)者傳輸前沿知識、為技術(shù)工程師解答專業(yè)問題、為企業(yè)找到最適合的云解決方案！?