螞蟻金服的大數據徵信服務「芝麻信用」，是在傳統信用評估之上，再增加網路金融平臺所掌握的大數據資訊，透過機器學習技術給出每個用戶的信用評價。
傳統的信用機制主要評估信用歷史、身分特質及履約能力，螞蟻金服則再連結更豐富的活的數據，包括用戶行為偏好、人脈關係，以更多的用戶資料為基礎，透過深度學習技術給出用戶的信用評價與信用分數，也就是芝麻分，而分數越高，代表個人消費信用越好。
螞蟻金服首席技術官程立表示，芝麻信用與傳統金融機構的信用體系並不衝突，與金融業者的產品結合，能夠幫助銀行更好控制用戶信貸分析，而原本無法獲得銀行信用的用戶，也能夠更好地獲得銀行的信用，所以與銀行整個信用體系是互補的方式，藉由相互合作可取得比較好的效果。
在與銀行合作的實際驗證下，銀行的審核通過率提升7%，逾期率降低0.3%，並可在占銀行總客戶30％的高風險客戶中，辨別出80％的詐欺客戶，程立指出，對逾期率的控制，降低0.3%已經是很大的改善了。
用芝麻信用這樣有別於傳統信用評估的機制為用戶打分數，這樣的信用評價是否可信呢？程立表示，經比對分析用戶的租車與訂房行為，證實芝麻信用評分越高，整體逾期率就越低，代表大數據信用評估模式可行。
以深度學習技術識別信用
螞蟻金服的大數據徵信仰賴從網路服務收集來的更多用戶資訊，再由深度神經網路演算法自動分析，依據用戶的信用歷史、履約能力、身分特質、行為偏好與人脈關係等5大項目綜合判斷，由機器學習系統自動評判用戶的信用。
風險控管
在金融業務的核心——風險控管上，螞蟻金服也發現人工智慧有很大的效果。螞蟻金服最早是以黑名單來管控風險，接著發展到第二代基於數學模型的風控，也就是以機器學習分析風險，然而隨著網際網路的演進，就算以機器學習模型都很難應對網路金融的風險，程立表示，螞蟻金服後來才對網路金融風險有了截然不同的認知：「要把風險做好，在於你對用戶能不能有非常深入的理解。」
對風險認知的改變，也反應在系統的設計上。螞蟻金服將原本名為CTU（Counter Terrorism Unit）的風控系統，改名為UCT（User’s CT），程立表示，原本風控系統的想法是反恐中心，但事實上面對網路金融風險，風控系統的角色應該是用戶的電腦斷層攝影機，要對用戶有非常深入的分析與理解。
螞蟻金服將這個深度分析與理解的能力統稱為螞蟻的安全大腦，它能理解用戶的帳戶、行為、關係、習慣及設備位置，帳戶一項有風險意識、成熟度及黑名單等指標；行為則是監控操作異常、突變及特殊路徑等；關係是分析帳戶與帳戶、帳戶與環境、帳戶與卡、帳戶與設備等關係；習慣則是分析人群、交易等訊息；設備位置則包含了設備標識及地理資訊等。有了這樣全面深入的理解，就可以打造一個更好的風險體系，在架構上它包含即時事件傳導網絡，即時分析用戶所有行為的事件，這些事件經過風險引擎的分析，再做風險決策，並提供用戶能消解風險的產品。