Pepperstone 使用 AWS 上的机器学习，提供无缝的全球交易体验

信任和客户服务是选择在线经纪商的重要标准。成立时间较长且拥有多个监管牌照的交易平台往往比较有保障。在 2021 年的年度经纪商大奖中，由于 Pepperstone 业务遍布全球，并且是“超级可靠的平台”，DayTrading.com 将其评为最佳外汇经纪商。 Pepperstone 是一家位于墨尔本的外汇（forex）和证券在线交易平台，每月有超过 4 万名独立访客。

自 2010 年成立以来，Pepperstone 一直依托 Amazon Web Services（AWS）Cloud。Pepperstone 首席营销官 Tony Gruebner 说：“AWS 常常进行创新，提供灵活的、立即可用的解决方案，能帮助我们提高业务运营效率。”Pepperstone 之所以可以快速扩大客户群、安全扩展服务，关键在于容器化，以及使用了 Amazon Elastic Kubernetes Service（Amazon EKS）等现成的托管服务。仅在 2020 年，Pepperstone 就实现了 20％ 至 30％ 的业务增长。

借助 Amazon EKS，Pepperstone 可以在任何环境中进行标准化运营，在向新国家扩展业务时，利用自动化实现一致的多区域部署。Pepperstone 之前仅拥有澳大利亚和英国的两份牌照，2020 年，该公司从迪拜金融服务管理局等机构获得了五份新的监管牌照。公司开辟了新的监管行动地区，包括非洲和欧洲。

机器学习（ML）和人工智能（AI）是 Pepperstone 技术堆栈中的核心技术。该公司拥有分布于四个国家 IT 团队，其中包含 70 名成员。此外，在墨尔本还有一个专门开发机器学习模型的数据科学团队。最初，数据科学家自主开发了在 AWS 上运行的算法。之后在 2019 年改用 Amazon SageMaker 配合 AWS Fargate，以便自动创建和部署机器学习模型。

Pepperstone 的数据科学团队在改用 Amazon SageMaker 进行模型训练后，轻松将该工具融入了工作流程。“新的人工智能或机器学习工具通常要经过非常陡峭的学习曲线，但 Amazon SageMaker 则可以马上为我们所用。通过在 AWS 环境中托管、训练和部署，我们从一开始就节省了大量时间。”Pepperstone 首席数据科学家 Samuel Ellett 说。在本地计算机上训练机器学习模型需要 180 小时，而在 Amazon SageMaker 上只需要 4.3 小时。

要获得新的监管牌照，Pepperstone 必须证明公司有严格的了解您的客户（KYC）流程来筛选进入该平台的交易者。在使用 Amazon SageMaker 之前，文件审核过程基本由人工完成。工作人员需要亲自检查提交的文件（例如护照图像）是否真实。有许多次，工作人员花费几个小时帮助客户完成注册，几天后却发现客户的身份与其所述不符。

现在，通过在 Amazon SageMaker 中部署欺诈检测模型，Pepperstone 可以在新客户上传文件的当天识别出潜在的欺诈行为。数据科学家训练了机器学习模型，将提交的文件与存储在 Amazon Simple Storage Service（Amazon S3）数据湖中的数百万张图像进行比较，包括全球常见身份证件的真实图像和修改后的图像。

然后，系统会为每位潜在客户打分，用百分比来表示客户提交的文件中存在非法篡改的可能性。注册审核团队会收到结果，然后对已标记的提交内容进行跟进，要求客户提供额外的身份证明。这一模型优化了团队的决策流程，减少了进行人工身份验证所花费的时间。

除了节省时间外，Amazon SageMaker 在细节把控和准确性上远胜过人工审核。Ellett 说：“人类不可能比较 300 万份文件，而且很多时候欺诈元素非常细微，人眼很难察觉。” 

加快注册流程也对新客户有利。在线交易平台之间的竞争非常激烈，交易者不会只把目光锁定在某一特定平台。因此，无缝的注册流程对于与 Pepperstone 建立信任至关重要。“使用机器学习自动化注册流程，不仅帮助我们提升了运营水平，而且创建了更加无缝的流程，极大地改善了客户体验。我们的目标是让客户享受交易过程，其中一部分就是避免不必要的延迟或准入门槛，”Gruebner 解释说。

Pepperstone 还使用在 Amazon SageMaker 中生成的机器学习模型来协助销售团队进行潜在客户评测和转换。在每位客户加入平台时对其打分可以让销售团队有针对性地开展客户服务工作。当客户浏览 Pepperstone 网站时，随着客户数据的积累，分数会实时更新。这一模型能帮助销售团队更好地管理工作负载、提供定制的服务水平，从而使公司在在线经纪商市场中脱颖而出。Gruebner 补充说：“Amazon SageMaker 是一个极好的工具，能确保尽可能集成和自动化整个数据科学管道，随时随地推送数据。”

Amazon SageMaker 提供一些现成的功能，因此，Pepperstone 的数据科学团队不再受制于忙碌的 DevOps 工程师。数据工程师仍然要依赖 DevOps 团队在 Amazon SageMaker 中设置沙盒环境，但一旦完成环境设置，他们就可以独立运行概念验证。“我们有效地消除了数据和 DevOps 团队之间的资源冲突。Amazon SageMaker 让我们能够轻松快速地构建一些内容来检验假设，随后立即关闭构建的内容，这样就不会花费太多金钱。所以我们会进行更多的实验，”Ellett 总结道。

 要了解详情，请访问 aws.amazon.com/machine-learning 和 aws.amazon.com/startups。