讓支付系統(tǒng)更懂你---無感支付背后的AI技術(shù)

無感支付，就是沒有感覺，或者說沒多少感覺的情況下讓支付環(huán)節(jié)完全秒化(1-2秒可以看作是無感的一個標準)，不作為一個獨立的環(huán)節(jié)出現(xiàn)，沒有為支付而出現(xiàn)的專門操作動作。銳融天下通過在支付行業(yè)多年深耕經(jīng)驗，所以在無感支付領(lǐng)域有著領(lǐng)先于行業(yè)的技術(shù)。本文，我們從支付場景開始，帶你了解這類便捷應(yīng)用背后的技術(shù)原理，領(lǐng)略AI技術(shù)如何優(yōu)雅的為無感支付做著支撐。

一、無感支付應(yīng)用場景

1、停車繳費

車輛行駛到閘機口，車主無需將車停下，只需稍稍放緩車速，閘機掃描裝置便能自動識別車牌號碼，立即抬桿，車主順勢通過，然后微信支付寶自動扣費。

2、刷臉購物

無人超市，是可以自帶刷臉識別功能的，并統(tǒng)一默認為支付寶，消費者進入商場那一刻，即完成識別過程。將支付環(huán)節(jié)的識別，融合在進門與出門的識別功能上。讓消費者不掏手機不掃碼，出門直接扣款，則真正意義上實現(xiàn)了無感支付。

3、指紋支付

和輸入密碼支付相比，指紋支付肯定來得更加方便。特別是在線下進行移動支付的時候，后面一堆人攘攘熙熙地排著隊，前面的人還在慢吞吞輸密碼，這甚至能讓一些趕時間的人火冒三丈。這時候，一摸就能支付的指紋支付，就能大大節(jié)省時間。

4、聲紋支付

美國運通卡的用戶可以查看自己的余額，獲取各種折扣和優(yōu)惠，還能支付帳單，甚至收聽最新的賬戶信息。美國運通卡用戶只需要對Echo音箱說：“我的美國運通賬戶余額是多少。”這個語音助手就會提供相應(yīng)的信息。

二、銳融天下無感支付關(guān)鍵技術(shù)

以上無感支付場景中，為用戶帶來便利的背后，是車牌識別、人體生物識別技術(shù)融合進入支付流程。以生物識別技術(shù)為例，其實現(xiàn)原理為：通過對生物特征進行取樣，提取其唯一的特征并且轉(zhuǎn)化成數(shù)字代碼，并進一步將這些代碼組合而成的特征模板。人們同識別系統(tǒng)交互進行身份認證時，識別系統(tǒng)獲取其特征并與數(shù)據(jù)可中的特征模板進行比對，以確定是否匹配，從而決定接受或拒絕該人。

無感支付，同時又是以機器學(xué)習(xí)為核心的多種技術(shù)的應(yīng)用成果，主要包括：

1、模式識別=機器學(xué)習(xí)

模式識別又常稱作模式分類，其原理和算法完全等同于機器學(xué)習(xí)。從處理問題的性質(zhì)和解決問題的方法等角度，模式識別分為有監(jiān)督的分類(Supervised Classification)和無監(jiān)督的分類(Unsupervised Classification)兩種。二者的主要差別在于，各實驗樣本所屬的類別是否預(yù)先已知。

2、計算機視覺=圖像處理+機器學(xué)習(xí)

圖像處理技術(shù)用于將圖像處理為適合進入機器學(xué)習(xí)模型中的輸入，機器學(xué)習(xí)則負責(zé)從圖像中識別出相關(guān)的模式。計算機視覺相關(guān)的應(yīng)用非常的多，例如百度識圖、手寫字符識別、車牌識別等等應(yīng)用。隨著機器學(xué)習(xí)的新領(lǐng)域深度學(xué)習(xí)的發(fā)展，大大促進了計算機圖像識別的效果，因此未來計算機視覺界的發(fā)展前景不可估量。

3、聲紋識別=聲音提取+機器學(xué)習(xí)

提取并選擇對說話人的聲紋具有可分性強、穩(wěn)定性高等特性的聲學(xué)或語言特征。聲紋識別系統(tǒng)是一個典型的模式識別的框架，為了讓計算機認識一個用戶的身份，需要目標用戶首先提供一段訓(xùn)練語音，這段語音經(jīng)過特征提取和模型訓(xùn)練等一系列操作，會被映射為用戶的聲紋模型。在驗證階段，一個身份未知的語音也會經(jīng)過一系列的操作被映射為測試特征，測試特征會與目標模型進行某種相似度的計算后得到一個置信度的得分，這個得分通常會與我們?nèi)斯ぴO(shè)定的期望值進行比較，高于這個期望值，我們認為測試語音對應(yīng)的身份與目標用戶身份匹配，通過驗證;反之則拒絕掉測試身份。

三、核心算法

以上無感支付所依托的機器學(xué)習(xí)的主流算法包括：回歸算法、神經(jīng)網(wǎng)絡(luò)、支持向量機等。

1、回歸算法---機器學(xué)習(xí)基礎(chǔ)算法

機器學(xué)習(xí)中的回歸算法的本質(zhì)是通過對樣本數(shù)據(jù)的收集，給出假設(shè)的函數(shù)模型，而此函數(shù)包含未知參數(shù)，機器學(xué)習(xí)的過程就是解方程或者找到最優(yōu)解，當(dāng)驗證通過后，從而可以用該函數(shù)去預(yù)測測試新數(shù)據(jù)。其中，最常用也是最基礎(chǔ)的回歸算法，是線性回歸。

線性回歸(Linear Regression)，用來確定兩種或兩種以上變量間相互依賴的定量關(guān)系的一種統(tǒng)計分析方法，其表達形式為y = w'x+e，e為誤差服從均值為0的正態(tài)分布，其中只有一個自變量的情況稱為簡單回歸，多個自變量的情況叫多元回歸。

給定學(xué)習(xí)所用的數(shù)據(jù)集合為：

可采用線性模型：

求解得到：

2、神經(jīng)網(wǎng)絡(luò)---廣泛應(yīng)用于車牌識別

神經(jīng)網(wǎng)絡(luò)算法模擬了人腦的計算模型。在該模型中，神經(jīng)元接收來自n個其他神經(jīng)元傳遞的輸入信號，通過帶權(quán)重的連接進行傳播，神經(jīng)元接收到的總輸入值將與神經(jīng)元的閾值進行比較，然后通過“激活函數(shù)”處理輸入信號，產(chǎn)生該神經(jīng)元輸出。

可采用Sigmoid函數(shù)作為激活函數(shù)g(x)：

我們使用向量和矩陣來表示層次中的變量。a(1)，a(2)，z是網(wǎng)絡(luò)中傳輸?shù)南蛄繑?shù)據(jù)。W(1)和W(2)是網(wǎng)絡(luò)的矩陣參數(shù)。

g(w(1) * a(1) = a(2);

g(w(2) * a(2) =z;

理論證明，兩層神經(jīng)網(wǎng)絡(luò)可以無限逼近任意連續(xù)函數(shù)。也就是說，面對復(fù)雜的非線性分類任務(wù)，兩層(帶一個隱藏層)神經(jīng)網(wǎng)絡(luò)可以分類的很好。

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程，就是根據(jù)訓(xùn)練數(shù)據(jù)來調(diào)整神經(jīng)元之間的“連接權(quán)”以及每個功能神經(jīng)元的閾值。

機器學(xué)習(xí)模型訓(xùn)練的目的，就是使得參數(shù)盡可能的與真實的模型逼近。具體做法是這樣的。首先給所有參數(shù)賦上隨機值。我們使用這些隨機生成的參數(shù)值，來預(yù)測訓(xùn)練數(shù)據(jù)中的樣本。樣本的預(yù)測目標為yp，真實目標為y。那么，定義一個值loss，計算公式如下：

loss = (yp - y)^2

這個值稱之為損失(loss)，我們的目標就是使對所有訓(xùn)練數(shù)據(jù)的損失和盡可能的小。

一般來說解決這個優(yōu)化問題使用的是梯度下降算法。梯度下降算法每次計算參數(shù)在當(dāng)前的梯度，然后讓參數(shù)向著梯度的反方向前進一段距離，不斷重復(fù)，直到梯度接近零時截止。

3、支持向量機SVM--廣泛應(yīng)用于生物識別

支持向量機(support vector machines)是一種二分類模型，它的目的是尋找一個超平面來對樣本進行分割，分割的原則是間隔最大化，最終轉(zhuǎn)化為一個凸二次規(guī)劃問題來求解。由簡至繁的模型包括：

· 當(dāng)訓(xùn)練樣本線性可分時，通過硬間隔最大化，學(xué)習(xí)一個線性可分支持向量機;

· 當(dāng)訓(xùn)練樣本近似線性可分時，通過軟間隔最大化，學(xué)習(xí)一個線性支持向量機;

· 當(dāng)訓(xùn)練樣本線性不可分時，通過核技巧和軟間隔最大化，學(xué)習(xí)一個非線性支持向量機;

　　圖1. 樣本數(shù)據(jù)線性可分

　　圖2. 學(xué)習(xí)得到線性分割的向量

通過最小二乘或梯度法對以下目標函數(shù)求解可得w，b，獲得用于線性分割的向量;

我們會經(jīng)常遇到線性不可分的樣例，此時，我們的常用做法是把樣例特征映射到高維空間中去(如下圖)：

　　圖3. 將低維空間映射到高維空間

線性不可分映射到高維空間，可能會導(dǎo)致維度過大無法計算。但通過引入核函數(shù)，將特征量從低維向高維轉(zhuǎn)換，核函數(shù)先在低維上進行計算，而將分類效果表現(xiàn)在高維上，避免了直接在高維空間中的復(fù)雜計算。

四、應(yīng)用中存在的困難與潛在的風(fēng)險

無感支付技術(shù)具有使用便捷的優(yōu)點，同時風(fēng)險與之并存：如生物特征的生物身份識別技術(shù)存在著一旦被盜用將無法吊銷的風(fēng)險。同時,互聯(lián)網(wǎng)銀行業(yè)務(wù)發(fā)展的技術(shù)障礙也未解決，無論人臉識別，指紋等多重生物識別技術(shù)有多成熟，只要是網(wǎng)絡(luò)遠程傳輸方式都能夠被黑客截取復(fù)制。

就目前來看，雖然關(guān)注度高，但由于生物識別技術(shù)的尚不成熟，其在支付領(lǐng)域的運用暫時還難以大規(guī)模的推廣使用，還面臨著政策和宣傳不到位等諸多因素的困擾，如何理性、務(wù)實的直面存在的問題困難，加強對該項技術(shù)的投入和監(jiān)督，是金融科技業(yè)在未來一個時期內(nèi)應(yīng)重點解決的問題。

生成海報

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責(zé)任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。