蚂蚁金服的大数据征信服务“芝麻信用”，是在传统信用评估之上，再增加网路金融平台所掌握的大数据资讯，透过机器学习技术给出每个用户的信用评价。

传统的信用机制主要评估信用历史、身分特质及履约能力，蚂蚁金服则再连结更丰富的活的数据，包括用户行为偏好、人脉关係，以更多的用户资料为基础，透过深度学习技术给出用户的信用评价与信用分数，也就是芝麻分，而分数越高，代表个人消费信用越好。

蚂蚁金服首席技术官程立表示，芝麻信用与传统金融机构的信用体系并不冲突，与金融业者的产品结合，能够帮助银行更好控制用户信贷分析，而原本无法获得银行信用的用户，也能够更好地获得银行的信用，所以与银行整个信用体系是互补的方式，藉由相互合作可取得比较好的效果。

在与银行合作的实际验证下，银行的审核通过率提升7%，逾期率降低0.3%，并可在占银行总客户30％的高风险客户中，辨别出80％的诈欺客户，程立指出，对逾期率的控制，降低0.3%已经是很大的改善了。

用芝麻信用这样有别于传统信用评估的机制为用户打分数，这样的信用评价是否可信呢？程立表示，经比对分析用户的租车与订房行为，证实芝麻信用评分越高，整体逾期率就越低，代表大数据信用评估模式可行。

以深度学习技术识别信用

蚂蚁金服的大数据征信仰赖从网路服务收集来的更多用户资讯，再由深度神经网路演算法自动分析，依据用户的信用历史、履约能力、身分特质、行为偏好与人脉关係等5大项目综合判断，由机器学习系统自动评判用户的信用。

在金融业务的核心——风险控管上，蚂蚁金服也发现人工智慧有很大的效果。蚂蚁金服最早是以黑名单来管控风险，接着发展到第二代基于数学模型的风控，也就是以机器学习分析风险，然而随着网际网路的演进，就算以机器学习模型都很难应对网路金融的风险，程立表示，蚂蚁金服后来才对网路金融风险有了截然不同的认知：“要把风险做好，在于你对用户能不能有非常深入的理解。”

对风险认知的改变，也反应在系统的设计上。蚂蚁金服将原本名为CTU的风控系统，改名为UCT，程立表示，原本风控系统的想法是反恐中心，但事实上面对网路金融风险，风控系统的角色应该是用户的电脑断层摄影机，要对用户有非常深入的分析与理解。

蚂蚁金服将这个深度分析与理解的能力统称为蚂蚁的安全大脑，它能理解用户的帐户、行为、关係、习惯及设备位置，帐户一项有风险意识、成熟度及黑名单等指标；行为则是监控操作异常、突变及特殊路径等；关係是分析帐户与帐户、帐户与环境、帐户与卡、帐户与设备等关係；习惯则是分析人群、交易等讯息；设备位置则包含了设备标识及地理资讯等。有了这样全面深入的理解，就可以打造一个更好的风险体系，在架构上它包含即时事件传导网络，即时分析用户所有行为的事件，这些事件经过风险引擎的分析，再做风险决策，并提供用户能消解风险的产品。