微表情反欺诈模型特征解析及应用
在整个风险管理全流程中，科技元素应用最多的板块非反欺诈莫属。一是因为反欺诈风控本身在整个信贷风险全流程拒绝比率中占比较少，导致其“拒绝容错率”可以相应放大，进而可以使用相对激进的科技创新算法模型；二是因为欺诈团伙的技术也是水涨船高。
如果读者朋友们看到哪一家的风控拒绝大部分来自反欺诈部分，我大胆推断要么这家金融公司目前阶段被欺诈黑产非正常攻击，要么就是其风控决策模型架构比较薄弱，很可能就是超利现金贷公司。
在众多的反欺诈模型应用中，人工智能技术和应用，目前更多的集中在“认知智能”层面，如人脸识别、语音识别等。而被认为更高阶的“情感智能”，还处于早期阶段。
最典型的“情感智能”应用之一就是微表情反欺诈模型。
1.什么是微表情反欺诈模型
微表情反欺诈模型，其本身是基于Deep Learning的微表情识别AI。微表情是一种持续时间仅为1/25～1/5s非常快速的表情，他表达了人试图压抑与隐藏的真正情感。
因为微表情是无意识的，可提供更全面的隐蔽情感的泄漏，所以微表情识别AI在金融风险管理领域更适合欺诈识别。
众所周知，对于金融贷款或类似高风险业务来说，最重要的无疑是判断申请人信息的真假。因为只有正确识别信息，才能有效控制风险。而微表情识别能够通过捕捉客户在面审环节的细微、异常的神情变化，提高反欺诈的准确性。
2.微表情反欺诈模型的特征变量解析
微表情反欺诈模型主要通过远程申请贷款客户端或线下进件申请，搜集来自申请客户的面部数据信息，进一步加工出心理情绪、五官表情等信息。
微表情分析特征主要集中在客户基础属性、头部视线变化、面部局部肌肉群变化、五官表情变化、心理情绪变化。
对于五官表情变化，可以有抿嘴、皱眉、闭眼等21种表情特征，并通过数值对五官表情特征进行评价测定。
对于心理情绪变化，可以有比如悲伤、喜悦、愤怒、惊讶等7种基本情感特征进行评价测定，同时增加表情肌肉群的活跃度和心理肯定或否定的偏向尺度两个程度指标，进一步提告精准度。
概率数据为模拟
3.微表情反欺诈模型的应用
微表情识别AI通过面部识别抓取技术捕获申请客户的声纹和视频，将声纹和视频解析成相应数据，通过刻画客户画像进一步输出风险概率和分数，对金融机构面审起到反欺诈辅助作用。
另外，通过特征工程对基础变量进行进一步加工处理，可以作为模型候选变量，进入贷前申请和反欺诈评分卡模型中，用以提升评分模型的精度。
相信未来微表情分析模型将会在金融风险管理中有更多的应用。