互联网明星公司参与洗钱，黑产屡禁不止作何解？

在这篇叫「 拼多多店铺沦为博彩网站洗钱平台，单店日洗钱 50 万 」的文章里，差评团队无意中发现：拼多多平台上的一些商铺，竟然挂羊头卖狗肉， 打着虚拟货币充值的名号，暗地里却是博彩网站收款的支付通道。

原来，差评团队想对网络博彩这一灰产做调研，但是他们在对博彩网站进行充值测试时，发现博彩网站的付款界面，竟然自行跳转到了拼多多的付款页，最后以某虚拟产品的订单形式成交，赌资就变成交易额，堂而皇之地完成了「洗钱」。

文中发起付款后，找不到订单

在他们的查证中发现：拼多多因为店铺审核门槛不高，充当着洗钱功能的网店不在少数，其背后的资金流也大的惊人，甚至能达到单日交易量 50 万元。

而拼多多平台，却不知出于原因，并没有进行监管。

这个爆料一出，拼多多就坐不住了。

很快他们就发布了声明，称文章为虚假不实信息，将以造谣诽谤对差评团队发起起诉，赔偿金额高达 1000 万人民币 。

差评立马呛声拼多多，明明自己的监管不严，却还要追责报道出来的媒体。 目前该事件还在发酵之 中...

洗钱与反洗钱的猫鼠游戏

赌博的危害自不用多提。

随着时代发展，赌博也开拓了线上业务，成为了网络灰色产业中，非常重要的组成部分。各种网络支付手段的普及，让本来隐藏在互联网中的赌博，更是用尽各种办法，提高自己的产品体验，吸引更多的用户。

全球范围内的违法洗钱活动，数额之大，甚至约占全球 GDP 的 2% 至 5% ，约是每年 8000 亿美金， 而且随着现代技术的发展，洗钱的渠道越来越丰富，也越来越难以发现。

针对日益复杂的洗钱方式，国际上提出了基于风险的反洗钱联防联控监管措施。 和主流的监管方式一样，主要还是 基于规则和特征的可疑交易识别 。这样需要大量的人工，而且效果不佳。

根据欧洲刑警组织的一份报告，在金融服务机构提交的可疑交易报告中，约有 10% 会还需当局进一步的调查。

那么面对反洗钱的困境，人工智能会带来哪些改变呢？

机器学习如何帮助反洗钱

反洗钱的核心是，做好用户识别：一是客户身份识别，二是资金来源及去向识别，以判断资金交易与客户属性等特征是否匹配等。

反洗钱中，针对 海量数据处理难、可疑交易判断难 的问题，机器学习等技术的引入，会带来新的转机。

在一些案例中，机器学习方法，被用来学习资深反洗钱专家的判断模式，对可疑的案例进行等级分类和 排序 上报，大大的减少筛查的基数，实现高效的人机协作。

先对 百万级别的数据 进行 多 特征维度 的分析，再通过 机器学习模型， 实现了对可疑案宗的 自动分类 和 排序。

将反洗钱专家的经验，合并到机器学习系统中，能帮助系统自动调优和进化，经过短时间的训练和调优，机器学习系统能够接近资深反洗钱专家的水平，可以节省大量人力成本。

此外，半监督机器学习之类的技术，也大有可为。

比如用来识别复杂洗钱交易和地下钱庄，利用行为数据和少量特征标签，通过图分析、聚类、关联分析等技术手段识别异常交易和关系图谱。再结合专家的经验，有望揪出那些藏在暗处的洗钱组织。

而且算法模型运行越久，输入的案例越多，加上人为修正越多，其可疑交易的识别能力就越强，误判和漏判的概率就会变得越低。

中国面临的反洗钱压力，尤其大

中国社会被丰富的互联网产品改造得尤其深刻，作为目前全球移动交易最普及、最便捷、产业最成熟的国家。因为面临着十多亿人的交易流水，所以从中辨别可疑交易的压力也是最大的。

根据报道，国内一些领先的金融科技公司， 通过机器学习模型方法，能够达到资深反洗钱专家 95% 的水平，减少人工审核 30% 的工作量 ，帮助对洗钱行为的有效把控。

在一家提供反洗钱服务的公司里，他们提供的方案是这样的：

增强源头的反欺诈识别： 基于设备型号、行为特征、访问频率、地理位置等信息，进行风险识别，及时发现模拟器、刷机改机、团伙作弊等欺诈行为。

建立更立体的用户画像： 通过账户的关联信息、以及信贷申请、日常存贷、资金交易、设备登录等数据，利用关联网络技术，构建出用户的关系图谱，勾勒出用户的个体特征，建立起立体的画像。

监测异常资金交易： 基于业务数据，通过对关联关系图谱中，包含的资金交易数据的挖掘，借助于规则或模型，识别图谱中异常的资金交易行为和异常交易团体。

精准定位洗钱账号： 基于深度学习的关联关系图谱技术，通过助力金融机构梳理并构建零售客户关联关系图谱，扩展风险防控的视角和手段，并构建一套完整的基于关联关系图谱的洗钱账户识别机制。

而这也几乎是 AI 技术加持下，反洗钱技术的常规流程。

蚂蚁金服的反洗钱解决方案

灰产监管的缺失，谁之过？

历史文章（点击图片阅读）

本届戛纳最佳编剧—— 得主依然是人类