在反洗钱场景中，规则引擎长期承担主要筛查工作：名单命中、金额阈值、频次统计。它可解释、易审计，但漏报多来自资金在多个账户间拆分流转的路径特征——单笔都不异常，组合起来才异常。
金融AI实验室本期进展围绕关系网络模型做了一次实验性替换：以账户为节点、近90天转账为边，叠加时间与金额权重，用图神经网络对可疑团伙做节点分类。为规避“黑箱”问题，模型输出不是单一分数，而是分数加关键子图（触发判定最相关的前若干条边与节点），供人工复核时对照。
阶段性数据（内部脱敏样本，两个月回溯测试）：
· 在相同召回水平下，人工复核工单量下降约三成；规则难以覆盖的团伙型线索召回提升明显，但名单类单点可疑的识别优势不大，目前两类方法并行。
· 误报集中在个体工商户的集中收付场景，已通过行业特征做二次过滤。
下一步计划：将子图解释的稳定性纳入验收指标，并试点与现有规则引擎并行跑批，观察真实运营下的工单结构与处置时效。
评论