传统银行无法提供无缝的全渠道客户体验、无法实时检测欺诈、无法获得业务洞察力、用户体验感较差、品牌声誉受损和业务损失？Redis企业版数据库具有低延迟、高吞吐和可用性性能，实施Redis企业版数据库，可以使金融机构实现即时的客户体验、实现精细高效的财务风险分析、降低成本、实现零信任、进行欺诈检测、利用AI进行在线特征存储等，从而全方位满足客户的需求。

一、利用AI/ML模型进行欺诈检测

1.概述

在如今的金融服务行业中，新数字产品进入市场的速度越来越快，系统之间的联系也越来越紧密，网络犯罪活动也持续增长。企业每年因欺诈而损失数百亿美元，受损形式包括罚款、和解金以及削弱支撑金融服务行业的信任和客户忠诚度。在过去两年内，有47%的企业曾发生欺诈，零售欺骗案件同比增长2倍，根据PWC报告总的损失为420亿美元。

随着在线交易的复杂性、数量和速度的增加，金融企业需要利用更先进的欺诈检测方法来应对网络犯罪分子的持续攻击及不断变化的欺诈策略。

2.挑战

数十年来，基于规则引擎的方法一直被用于打击欺诈，虽然可以有效检测简单、不变的已知欺诈模式，例如黑名单或执行速度检查，但无法区分风险和正常行为，导致误报增加，进而损害用户体验。例如，一位英国顾客在巴西里约热内卢的一家酒店消费了400美元—这是在国外使用克隆卡，还是一位出差的高管正在使用呢?

3.解决方案

想要提高准确性和检测速度？解决方案是将AI模型与内存数据库中的上下文输⼊/输出数据放在一起，例如采用虹科提供的Redis企业版数据库—提供满足事务SLA所需的低延迟。RedisAI模块可以为深度学习(DL)TensorFlow和PyTorch模型提供服务。

Redis企业版数据库具有最小延迟、高吞吐量和高可用性的可扩展分布式架构，因此可用于AI/ML在线特征存储。

二、利用AI进行在线特征存储

1.概述

从语音识别到垃圾邮件过滤再到自动驾驶，AI和ML技术已被广泛用于解决各行各业的问题。对于金融业而言，面临的最紧迫挑战是欺诈检测、贷款审批和风险评分，这些都需要AI/ML特征存储的帮助。

AI/ML特征存储（FeatureStore）的定义：

人工智能（AI）：创造智能机器来模拟人类思维的实践，例如通用智力。
机器学习（ML）：AI的一个子集，使机器能够从数据中学习并根据该数据进行预测。
预测应用程序：依赖于数据上训练的机器学习模型，预测未来事件。
特征存储：特征存储为数据科学家、工程师和应用程序提供了一个常用“特征”（数据点）的存储库。特征是有效算法的关键要素。
离线特征存储：针对具有复杂时间点查询的大型数据集进行了优化，并用于模型训练。
在线特征存储：针对“较小”数据集的低延迟查询进行了优化，检索截至目前的特征数据并用于模型推理。

信用卡欺诈检测的特征示例：顾客、交易金额及日期、每笔交易的平均支出、最近5-60分钟的交易数、商户、位置等。

通用AI/ML特征存储参考架构示例：
在这里插入图片描述

2.挑战

MongoDB最初被用作在线特征存储，为风险评分模型推理所需的在线交易功能提供服务。但是，MongoDB的性能不足以提供对传入事务进行实时评分的功能。

3.解决方案

Redis企业版数据库取代MongoDB进行在线特征存储，并利用其内存中无共享集群架构、99.999%的正常运行时间SLA，将响应时间缩短了60倍。由于无法接受Kafka集群的往返延迟，类似的金融服务公司也计划采用Redis取代Kafka作为消息代理解决方案。
在这里插入图片描述

三、加速分析和报告

1.概述

金融服务需要依赖于数据分析来获得商业洞察力。可以对几个月、几周甚至几天前的数据进行操作，但很少有人可以对每分钟或每秒钟都在更新的交易流数据做出响应。

2.挑战

许多金融服务企业无法使用批处理、ETL工具和数据仓库负载，无法分析半结构化、非结构化和地理空间数据。此外，数据类型变化速度可能远远超过处理遗留系统的能力。由此，金融机构必须能够实时分析数据。

3.解决方案

虽然数据仓库传统上只提供静态报告，但也越来越多地转向动态、可定制的报告。虹科提供的Redis企业版数据库可以作为传统的基于磁盘的数据库前缓存，支持大多数数据结构，可以提供急需的内存预排序。最重要的是，Redis企业版数据库可以通过亚毫秒级的延迟对数百万条记录进行动态查询以实现实时分析。

通过使用Redis企业版数据库，客户可以实时分析任何内容，包括聊天记录、产品报价、社交媒体内容发布、销售数据、电子邮件、卫星图像、天气趋势，还可用于管理运营、财务风险等其他类型的数据。

在迭代处理场景中，例如使用ApacheSpark的场景，Redis数据结构可加速处理，对分析查询提供更快的响应。Spark-Redis连接器包允许Spark直接访问Redis数据结构以进行最高效的内存数据处理。Redis企业版数据库还为SparkSQL提供了一个服务层和一个用于Spark处理的加速器。比如，一家大型跨国银行使用Redis企业版数据库软件在基于磁盘的NoSQL数据库之前加速大数据分析，使分析处理速度提高45倍。
在这里插入图片描述

四、客户成功案例

以下是一些金融服务公司成功实现数据层现代化的案例故事：

1.德意志银行DeutscheBörse

作为国际交易机构和创新市场基础设施的提供商，德意志银行Börse集团为客户提供涵盖金融市场的产品、服务和技术。Börse总部位于德国法兰克福金融中心，拥有约6000名员工，在欧洲、亚洲、美洲都拥有强大的业务。为了向客户提供报告解决方案，DeutscheBörse依赖于快速的数据报告和处理能力。

DeutscheBörse使用Redis企业版数据库作为智能缓存，以快速处理和组织数据。Redis企业版数据库在不增加延迟的情况下已使DeutscheBörse的交易数据量增长20倍。

2.支付解决方案提供商Kenbi

Kenbi为人工智能电子商务支付平台提供了一个简单、直接的解决方案，即利用发卡行和商家的一致利益来授权更多合法交易。但Kenbi的核心解决方案在很大程度上依赖于丰富的数据和风险管理。
在客户选择将业务转移到其他地方之前，时间成为授权销售的关键。基于此，Kenbi转向了AWS上的Redis企业云。Redis企业版为Kenbi提供经过验证的、全面管理的服务，以及有保证的备份和冗余，使他们的团队能够专注于解决电子商务商家和信用卡发卡行之间的支付问题。

Redis企业云支持从单个控制台进行无缝多云部署，在云中提供一致的统一数据层，并提供Redis的亚毫秒级性能，为应用程序提供动力。