业务难点：基于用户画像特征等难以发现，业务经理人工发现投入大、周期长、数量少；决策树模型精准率，召回率低。Graph AI模型通过将消费关联、持股关联、交易流水关联建模，通过属性传导学习周边邻居特征，从14000000客户中挖掘出50000多个高净值客户，精度提升了5倍，短时间内明显提升挖掘效果，预计为该行带来数十亿元收益。

业务难点：对20余种洗钱场景分别运用规则和简单树模型去发现洗钱账户，灵活性与变通性相对较低，洗钱账户的识别率偏低。Graph AI技术通过IP、设备、手机号、账户转账等信息将不同的洗钱账户进行关联。一套模型自适应所有场景，增益账户3万个/月，增益超过1000%，精准率和召回率均有很大提升，精准识别洗钱账户的基础上，挖掘出更多的洗钱团伙。模型上线后表现优异，在不同月份预测效果无衰减。

传统方式依赖专家经验制定规则，识别欺诈，但规则具有一定局限性，不能枚举所有业务场景。当专家规则积累到一定数量后，会导致误报率变高。Graph AI技术通过IP、设备、手机号、账户转账、定位信息将不同的欺诈账户关联起来，结合个人信息、账户信息、账户交易信息、账户使用设备、账户使用IP、账户交易地等数据，构建账户之间的关联关系图，使用图神经网络算法建模学习欺诈账户特征和欺诈账户关联特征，能够精准识别欺诈账户和欺诈团伙。

业务难点：基于规则，阈值过高导致漏报率大，阈值过低导致准确率低；决策树模型过于依赖标签，精准率、召回率低。Graph AI模型通过对账户属性、商户属性以及交易属性进行关联分析，更加全面有效地挖掘出更多的异常信用卡账户。最终模型的精准率达92%，召回率达93%、，且在未标记的数据上增益1万多个套现账户，同时发现数十个反套现团伙。

业务难点：传统方法使用双塔模型，基于客户自身属性数据分析，模型精准率、召回率低。利用Graph AI技术根据客户购买和浏览基金数据构建客户与基金的关联图谱，模型会充分学习客户自身属性特征和基金信息以及周边其他客户信息的关联特征，综合得到准确的客户特征向量表达，模型TopK平均召回率表现优异，达到89.1%。

传统机器学习算法基于客户自身信息为客户推荐保险产品，未考虑到不同客户、不同产品之间的关联，推荐的产品具有一定的局限性，导致推荐效果不佳，影响实际购买的转化率。Graph AI将客户购买保险信息、代理人代理保险信息和代理人与客户关联信息作为边，构建异构关联网络，结合客户自身的属性和周边邻居属性之间的信息进行关联分析，进而精准的为客户推荐保险产品。