2020年12月2日上海,全球领先的电子商务和在线交易反欺诈公司Riskified(睿思飞)正式宣布进入中国市场。Riskified将以先进的反欺诈解决方案,赋能中国商家的跨境电商业务,使他们能够安全地批准更多订单,增加收入,将业务拓展到更多地区,并提供更好的消费者体验。
使用Riskified反欺诈服务的商家,其线上收入通常能获得3%到20%的大幅提升,同时减少5%到50%的反欺诈管理成本。日前,Riskified正式进驻上海,这也是Riskified首次在亚洲地区设立办公室。
欺诈的威胁常常使商家过于谨慎,导致其丢失部分来自可信用户的订单。Riskified人工智能平台能够精准识别可信用户,在筛选出欺诈订单的同时,提高用户下单转化率。目前Riskified已与众多国际知名品牌,如古驰(Gucci)、普拉达(Prada)、Wish和施华洛世奇(Swarovski)等达成合作,此外也与春秋航空(Spring Airlines)、宁波豪雅(Costway) 等中国领先品牌携手,助力其提升在线订单批准率。与Riskified合作的中国跨境商家,能享受Riskified提供的拒付包赔服务,即Riskified会为所有批准的订单提供拒付包赔, 降低欺诈风险。
当消费者在电商网站上点击购买时,Riskified平台的机器学习模型会立即分析该笔订单,并将其与系统中已审核的数千亿笔订单进行比对,然后做出“批准”或“拒绝”的判定。这时,商家就可以知道这笔订单是安全的,还是存在欺诈风险的。Riskified业内首创的拒付包赔解决方案,会对所有获批的订单承担全部责任,也就是说,即使欺诈订单被错误地批准了,商家也可以从Riskified获得全额包赔。
拒付包赔模式能帮助商家实现最大的投资回报率,在大幅增加收入的同时降低其欺诈管理成本。通过Riskified,商家可以专注于为顾客提供更好的体验,而无需担心订单的潜在欺诈风险。
“随着中国跨境电商业务快速增长,在中国开展业务对Riskified来说至关重要。我们将致力于服务中国商家,助力他们实现全球发展的雄心壮志。”Riskified首席运营官兼中国区负责人艾敏(Naama Ofek-Arad)表示,“通常,我们能帮助商家增长3%到20%不等的在线业务收入,同时降低5%到50%的欺诈管理成本。此外,通过降低欺诈风险,我们还为商家带来了新的商业机会,让商家可以放心地进入传统意义上的高风险市场,从而取得销量和营收上的增长。Riskified创新的反欺诈解决方案将帮助中国跨境电商在提高销量的同时,无需担心电商欺诈带来的风险。”
“随着越来越多的中国商家在海外开展业务,他们面临着电子商务欺诈、错误拒绝以及因验证摩擦而导致订单减少等难题。Riskified在中国推广的反欺诈解决方案由超过550名员工开发,集合了以色列最新的尖端技术。”Riskified中国区战略总监朱利安(Julian Sarkadi)表示,“通过Riskified独家技术平台,商家可以免受跨境电商交易中普遍存在的信用卡无卡欺诈,从而帮助中国跨境电商为其海外消费者提供顺畅的购物体验。”
Riskified的解决方案还能与Shopify、Magento和Stripe等主流电子商务支付系统和解决方案无缝集成。此外,Riskified还提供了易于集成的应用程序API接口。
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。