摘要：技术领域的一个很好的例子是高性能计算（HPC）与大数据和机器学习的融合。尽管在许多方面这种融合仍处于早期阶段，但这些技术的融合已经开始在欺诈检测领域提供具体真实的好处，帮助金融机构节省数亿美元。

     Spencer是Verne Global公司研究总监，负责欧洲研究和科学组织的高性能计算工作。他还是欧洲高性能计算技术平台（ETP4HPC）的成员。
　　
　　他表示，两个现有学科的融合可能是一种爆发性的创造力。在技术领域的一个很好的例子是高性能计算（HPC）与大数据和机器学习的融合。尽管在许多方面这种融合仍处于早期阶段，但这些技术的融合已经开始在欺诈检测领域提供具体真实的好处，帮助金融机构节省数亿美元。
　　
　　PayPal是处在这一趋势最前沿的公司之一。作为一个在互联网上构思的在线交易处理平台，Paypal暴露在几乎所有可以想象的网络安全威胁和欺诈行为。正因为如此，该公司早在2001年就一直在积极推行使用HPC和大数据技术的安全策略。尽管PayPal公司对其欺诈保护系统的细节保密，但它一直非常开放地利用开源H20机器学习框架的灵活性，并结合大数据基础设施，每天收集超过20兆字节的日志数据。
　　
　　为了从这个庞大的Hadoop数据集中获得洞察力，Paypal公司每天处理超过1300万次在线货币交易，它结合了三种类型的机器学习方法：线性、非线性和深度学习，来帮助识别和阻止欺诈者。该公司估计，在部署欺诈检测系统的最初几年，他们已经为企业应对欺诈性交易节省了7亿多美元。
　　
　　虽然PayPal公司可能是最早认识到融合HPC和大数据技术价值的公司之一，但如今几乎所有主要的金融服务公司都在寻求结合这些技术的新方法来保护自己。另一个备受瞩目的例子是MasterCard，它在全球各国和地区拥有惊人的22亿张卡，每小时处理大约1.6亿笔交易，或每年处理520亿笔交易。MasterCard与PayPal非常相似，采用混合机器学习方法，除了传统的大数据技术（如Hadoop和Spark）之外，还使用监督和无监督学习，在每次购买之前检查客户的位置、消费习惯和旅行模式。根据MasterCard全球大数据咨询公司副总裁Nick Curcuru的说法，该公司的基础设施应用了190万条不同的规则来检查每笔交易，并在几毫秒内处理这些交易。
　　
　　其他主要机构已经开发了自己的技术组合，以保护自己免受欺诈。例如，花旗银行最近投资了Feedzai、Cylance和Ayasdi等机器学习公司，以加强其欺诈检测能力，该公司最近宣布将在伦敦WeWork开设其全球创新实验室的分支机构，专注于大数据和高性能计算技术的开发。
　　
　　然而，寻求更好的欺诈保护是永无止境的，因为信用卡欺诈的严重程度不断增加。欧洲的信用卡欺诈在2016年造成18亿欧元的损失（英国和法国占73％），而在美国，信用卡欺诈一直存在严重的问题，甚至是借记卡，现在开始看到欺诈行为上升。
　　
　　消费者的需求加剧了控制欺诈的问题，消费者希望更快、更轻松的支付和更大的灵活性。当负责监管信用卡和借记卡交易的监管机构支付卡行业（PCI）安全标准委员会决定开始允许在手机上输入PIN码时，这种压力几乎肯定是一个因素。这个可能有益于用户体验的决定也会在交易过程中引入新的漏洞，因此引起了一些质疑。
　　
　　在保持最大安全性的同时提供改进的用户体验将需要改进的欺诈检测系统。这表明需要更强大、更深度融合的系统，以便从客户和交易数据中收集更深入的洞察力。实现HPC、大数据和机器学习的更好结合将需要在异构计算基础设施之间实现更深层次的协调，并且可能还需要改变感知。除了挑战之外，主要参与者已经对这种融合做出了认真的承诺，并设想了一个不远的未来，在这个系统上可以无缝地处理三个工作负载。
　　
　　编辑：Harris