一、项目背景及目标

银行内部审计在银行经营管理、防范化解经营风险、加强银行内部约束、提高经济效益等方面发挥了重要作用。然而，随着经济形势的不断变化和银行业务的迅猛发展，传统审计方法和规则模型的准确性和覆盖面存在不足，难以应对新兴风险的复杂性和多样性。因此，为了提升审计能力和效率，需要将人工智能、机器学习、大数据技术与审计业务深度融合，构建智能审计模型和算法，以全面提升审计能力和价值。

本项目的建设目标是通过引入大数据、分布式计算、机器学习和人工智能等技术手段，提升非现场审计能力。这将包括提高审计人员整体风险分析和发现能力，构建关联网络以深度挖掘审计风险，以及开发针对对公信贷资金流向异常、票据中介和供应链虚假融资等风险的审计场景模型。通过智能审计模型的应用，将提供全面、准确的审计能力，包括多维度的客户风险识别和业务风险识别，从而推动我行的数字化转型和风险管理综合能力的提升。

二、创新点

本项目在建设和推广应用方面具有以下创新点：

先进AI技术的应用：本项目利用大数据、机器学习、半监督图挖掘算法、子图识别技术等先进的科技手段，将这些技术与审计业务深度融合，以提升非现场审计能力。这些技术的应用为审计工作带来全新的视角和方法，提供更全面、准确的审计能力。

深度结合业务场景开发模型：项目结合具体业务场景和AI算法，开发了针对不同审计风险的场景模型，包括资金流向类监测模型和关联网络团伙类监测模型。这些模型能够更精准地识别对公信贷资金流向异常、票据中介和供应链虚假融资等风险，为审计人员提供更全面、准确的风险分析工具，提升审计监测能力。

高效的线索展示平台：智能场景模型可以输出优质的审计线索，而线索展示平台则是提升审计人员调查质量和效率的重要保障。本项目采用图分析平台作为审计线索的展示调查平台，利用知识图谱的形式将模型输出的审计线索中各个实体和关联关系直观准确地展示出来；节点间的每条交易边上的可疑交易汇总成列表，点击即可展开；后针对每个线索自动分析审计可疑点进行提示，帮助审计人员确定调查方向。构成了“点”（实体）、“线”（关联关系）、“面”（可疑线索、可疑团伙）全方位的调查分析平台。

综上所述，该项目在先进AI技术的应用、深度结合业务场景开发模型、高效的线索展示平台等方面具有创新点，为审计工作带来了新的思维和方法，提升了审计能力和效率，推动审计业务的智能化和数字化转型。

三、项目技术方案

本实施方案支持将模型生成的结果，线索子图、图关系等在图分析平台上进行展示。

实施功能模块框架图如下所示：

1.半监督图算法（票据中介场景模型）

机器学习算法，特别是有监督机器学习算法，在金融业得到了广泛的应用，例如精准营销、逾期预测等场景。有监督算法通过特征工程和模型调参，使用标签样本进行训练，可以相对容易地得到较好的模型结果，但是有监督算法的应用需要大量的标签，在审计合规领域，标签的获取往往非常困难、代价较高，因此难以训练有监督模型。当标签很少或者没有标签时，为了充分发挥样本标签的价值，必须考虑数据样本间的关联性，即相似的样本应该有相同的标签。

基于图的半监督算法能同时考虑标签样本，以及标签样本和无标签样本间的相似性、关联性，特别适用于团伙类风险的监测。审计工作中有很多风险体现为团伙类风险，例如，票据中介。票据中介为了获取利益，需要控制大量的空壳公司进行背书、贴现等操作。这些空壳公司的账户在登录时间、登录设备、交易对手、出票人、收款人、背书人等维度构成关联，形成了票据中介团伙。

基于图的半监督的基本原理如下图所示。图中，绿色客户表示正常账户，黄色客户表示风险账户。使用传统的有监督机器学习时，由于无法利用账户之间的关联信息，只能学习到一条相对粗糙的分界线（黄色虚线）。使用半监督算法时，由于能够同时考虑标签信息和账户之间的关联性，就能学习到一条相对准确的分界线（蓝色斜线）。由此可见，半监督算法能够对账户进行更好的分类，检测出风险账户团伙，并以团伙为单位揭示账户风险。

2.资金流向异常检测算法（对公信贷资金流向异常场景模型、供应链虚假融资场景模型）

在审计场景中，客户的账户资金流向是监测客户行为的重要一环。通过对客户的账户资金流向链路进行分析，可以实现如下目标：回溯资金来源、追踪资金流向、定位违规风险欺诈团伙、调查客户间是否存在利益关联等。终的可疑结果展示以客户的资金流向作为客户违规行为的疑点，提高了模型的可解释性，保证了审计报告证据链的完整性。

本项目方案中，资金流异常检测是通过搜索资金流向链路的异常模式来实现的：模型以多关系网络（包含多种关联关系、交易关系）为基础，在基于专家经验得出的可疑资金流向行为空间中搜索相应场景的资金流向异常模式。其中，搜索算法主要基于空间搜索树算法的原理实现：资金流向异常检测模型结合相应审计业务场景的特征和条件，通过自主式机器学习以及智能化剪枝的方式快速迭代，终搜索出该场景客户资金流的异常行为模式。模型在进行多次迭代优化后，即可得出当前业务场景的异常行为模式，并对符合该行为模式的资金流向链路进行检索，将匹配链路中的客户标记上可疑标签，上报进行核查。本算法的优势包括：*****，模型输出的异常行为模式是可解读的，这保证了模型输出的可解释性；第二，有限次的人工参与即可，大大减少了标注成本和人力成本；第三，运行阶段只需进行可疑模式匹配，运算复杂度大幅减少；第四，对输出的异常资金行为模式的解读可以给予审计业务人员一定的启发，也能推动其他相似业务的智能化审计方案落地。

3.结果展示

为使审计人员直观查看风险线索信息，便捷展开调查，进行线索认定，提供了可视化线索展示、分析、调查等功能。这些功能支持业务人员以线索列表、线索详情的二级页面结构展示风险线索内容。

下面以对公信贷资金流向异常场景模型为例描述线索分析管理功能。在业务中存在资金用途管控弱化、多头授信普遍等问题，尤其是资金违规进入股市、房市，甚至资金回流或流向管理层个人账户等违规行为。

1）可疑线索列表

在可疑线索列表页中，基于线索的风险特征进行分类标记，明确标识线索涉及的风险问题，如资金回流，资金流向异常等。业务人员可以在线索列表中获得线索基本信息，例如线索名称、线索成员数量、涉及金额，同时可以得到各类模型挖掘出的线索概要。业务人员基于上述线索信息可以自主展开具体某个线索进行线索详情调查。

图1 - 可疑线索列表

2）线索详情

为支持业务人员更加便捷地调查异常线索，在线索详情功能中提供如下功能点：

①可疑线索关系图谱

通过以关系网络图谱的形式，直观的向业务人员展示可疑客户、共享交易对手、关联IP、关联MAC之间的关系结构与关联信息，例如从下图中可直观看出链路中的资金中转公司可以通过相同设备MAC地址与IP地址关联到链路外的一家公司（图2），并且该公司又与收款方存在集团关系（图3），可以看出该资金链路。

图2 - 公司间ip 与mac地址关联

图3 - 公司间存在集团关系

②可疑客户信息

业务人员可通过可疑静态基本信息查看客户信息、账户信息、风险信息、关联人信息（图4），快速看清客户是否在历史线索中出现的次数与其他风险信息（如是否命中黑名单）。再通过生成的可疑交易流水（图5）等查看具体的交易细节。

图4 - 客户信息 关联人信息

图5 - 交易流水

上述可视化调查工具，以具体审计场景可疑线索作为出发点，通过图谱与表格，将客户关系、交易关系、资金流水、隐秘复杂的设备关联、模型自动生成的可疑要点等多维度综合展示，配合用户操作点击被调查对象，使错综复杂的关联关系网络，以简洁清晰的方式呈现，终提升可疑线索分析的效率。

四、项目过程管理

项目各阶段实施具体安排如下：

1、【第1阶段：1个月周期，2022.10-2022.11】：按业务需求目标，POC技术研究阶段

第1阶段POC预研目标：结合审计日常开展工作的需求，选择对公信贷资金流向异常审计场景，通过大数据、分布式计算、机器学习、人工智能等科技手段，将AI算法和具体业务场景结合，深度挖掘审计风险，并结合前端展示工具输出以企业、个人、账户、抵质押物、行内机构、产品等为核心实体的关联网络疑似审计风险线索。

2、【第2阶段：1个月周期，2022.11-2022.12】：项目立项，需求确认阶段

第2阶段项目立项需求范围确定阶段：针对第1阶段预研成果，确定审计智能算法建模项目的立项目标及具体需求。

3、【第3阶段：1个月周期，2022.12-2023.1】：项目实施前需求分析、资源准备阶段

第3阶段项目实施前资源准备阶段：完成3个审计场景（对公信贷资金流向异常模型、票据中介模型、供应链虚假融资模型）的建模需求分析，以及功能需求分析、数据需求的调研；

4、【第4阶段：3个月周期，2023.1-2023.4】：项目实施阶段、上线阶段

第4阶段项目研发实施及上线部署阶段：阶段具体目标如下：

1）完成系统概要设计、系统详细设计的编写及评审，包含数据工程设计、审计风险特征设计、建模方案设计、系统功能设计，以及对应设计文档的编写。

2）完成各个审计风险场景模型的开发、系统功能开发目标，具体包含数据工程、特征开发，资金流异常检测算法开发，无监督聚类算法开发，批量调度开发和系统对接的开发。

3）完成审计智能算法建模系统的整体集成测试目标，包含测试环境、数据的准备、测试案例编写，单元测试、集成测试、性能测试，以及完成测试报告的编写。

4）完成审计智能算法模型的实施部署、投产上线的目标，具体包含审计智能算法建模系统上线部署实施方案评审、生产环境部署资源准备、生产环境系统部署投产。

5、【第5个阶段：1个月周期，2023.4-2023.5】：模型调优、试运行阶段

第5阶段项目进入模型调优、试运行阶段：阶段具体目标如下：

完成审计智能算法建模系统的优化上线，正式启动审计智能算法建模系统试运行，并对模型运行情况进行监测。

五、运营情况

2022年10月我行开展了对公信贷资金异常模型的POC概念验证工作，11月审计智能算法*****期项目立项，确定对公信贷资金异常模型、票据中介模型、供应链虚假融资模型三个算法需求，并完成立项。后续进入模型迭代开发、投产阶段，目前三个算法模型已经在图分析平台上稳定运行，并开通我行审计部人员访问权限。

六、项目成效

审计算法模型基于大数据、分布式计算、机器学习、图计算等科技手段，结合数据处理、智能模型应用、前端展现工具，极大提升我行开展非现场审计工作便捷程度。

模型在每月初会重新跑批新一批次的线索，各室中心根据分管机构分工，开展对三个算法模型可疑线索的排查工作，并根据排查结果与相关被审计单位确认问题。

智能审计算法模型的引入提供了更加全面、准确的审计能力，提升审计人员整体风险分析和发现能力。提升了审计监测能力，提供客户风险识别、业务风险识别等更多维度的监测能力。推动审计工作进入数据和技术共同驱动的智慧型审计时代。

七、经验总结

审计智能算法模型能够在分析行内业务数据、IP\Mac信息、外部数据的基础上，有效运用半监督学习算法，挖掘出原有简单规则模型无法得到的可疑线索信息，是超越原有规则审计模型的一次技术创新，在对算法模型的使用中，也将结合现场反馈情况对模型进行逐步调优，让算法模型更加精准定位到业务风险，同时结合审计工作需要，进一步拓展新的算法场景，优化图分析平台展示功能，让智能算法在审计工作中发挥更大的作用。