2026-01-30 | 김정욱 기자

“分析房东贷款等…全租金诈骗‘征兆’由AI来抓”

本页标题和正文均由AI机器翻译,未经人工审校。准确内容请以韩文原文为准。

随着jeonse(全租)诈骗受害达到严重的社会问题程度,政府也在加快利用人工智能(AI)加以应对。国家人工智能战略委员会近期公布的“jeonse诈骗事前探测模型研究”便是其信号弹。统筹此次研究的蔚山科学技术院(UNIST)产业工程系教授李勇载29日在接受Seoul Economic Daily采访时表示:“此次研究并非甄别罪犯的系统,而更接近于在签约前‘提示风险度的安全装置’”,“我们思考的是如何分析政府掌握的各类数据,为国民提供帮助。”

李教授在韩国科学技术院(KAIST)主修计算机科学与数理科学,并取得产业工程博士学位,是金融AI专家。目前在UNIST产业工程系及人工智能研究生院从事金融工程及金融AI研究。他还担任韩国金融委员会金融业AI协议会、创新金融审查委员会、总统直属国家人工智能战略委员会分委会委员,参与各类政策咨询。此次研究是首次尝试,将韩国国土交通部下属韩国不动产院与韩国金融委员会下属韩国信用信息院的数据结合,验证能否事前评估jeonse诈骗风险。李教授表示:“jeonse诈骗手法日趋高明,且晦涩复杂的术语很多,有必要提高信息透明度”,“近几年jeonse诈骗受害规模增至数万亿韩元,jeonse诈骗受害者法实施后被认定为jeonse诈骗受害者的约有3.6万人,其中约60%为20~30岁的青年群体。”

研究团队关注的是在签订jeonse合同之前可以确认的信息。韩国不动产院的数据用于掌握出租人的房地产交易履历和合同模式,韩国信用信息院的数据则起到间接反映出租人资金状况的指标作用。出租人是否在短期内购入多套住房、贷款是否过度增加等信息,都可能成为风险信号。他说:“我们综合分析了房产的位置、面积、形态,合同金额与期限、是否经中介等合同信息,以及出租人的贷款履历、是否逾期等信用信息”,“简单说,就是把签约时可知的信息作为输入值,把合同到期时保证金是否返还作为输出值,从而预测风险度的模型。”

引人注目的是,此次研究使用的并非大语言模型(LLM),而是“基于树的机器学习模型”。李教授表示:“对于表格形式的结构化数据,更接近统计模型的树型算法更为合适”,“今后如果需要利用合同条款或投诉记录等文本数据,或需要易于解释结果的功能,也可以结合语言模型。”以小规模方式验证的先导研究结果显示出其作为jeonse诈骗探测器的可能性。数据中已确认其预测力可事前捕捉过半的疑似诈骗案例。

今后要提升性能,关键在于“标注数据”的精细化。李教授表示:“未能返还jeonse保证金的案例中,除故意诈骗外,也混有因资金困难导致的事故”,“仅凭现有数据难以明确区分诈骗与事故,因此需要获取更多数据,使作为学习目标的输出值本身更加准确。”

也有人对使用AI带来的标签效应表示担忧。对此,李教授强调:“提供分析结果须以出租人和承租人双方同意为前提”,“比起断定式地提出AI判断,更重要的是同时说明哪些统计性风险因素起了作用。”其含义是,应将风险信号作为参考资料提供,同时需要有防止将个人一概认定为危险人物的机制。

在实现商用化之前,仍有扩大数据结合范围及完善法律制度等课题待解,但此次研究被评价为国家介入预防jeonse诈骗的起点。李教授表示:“这应成为让jeonse合同从信息不对称的博弈,转变为可基于数据事先审视风险的程序的第一步”,“AI虽无法阻止所有诈骗,但至少能提供让人在签订jeonse合同前再多思考一次的依据。”

阅读韩文原文