<samp id="c7l6p"><rt id="c7l6p"></rt></samp>
    <progress id="c7l6p"></progress>
      <nav id="c7l6p"></nav>

      <strike id="c7l6p"><listing id="c7l6p"><em id="c7l6p"></em></listing></strike>
    1. <object id="c7l6p"></object>

      新聞動態
      金融風控體系會被人工智能顛覆嗎?
      史蒂夫·喬布斯的“一塊玻璃”手機改變了世界,把人類帶到了便利的移動互聯網時代,并且結合金融,形成了互聯網+金融的普惠金融模式。任何人只要會使用智能手機,在京滬這樣的城市已經可以不帶錢包出行了??梢哉f普羅大眾都已經能體會到互聯網金融時代的便利。

      而阿爾法狗(AlphaGo)的成功,讓吃瓜群眾發現AI已非昔年靠窮舉法贏棋的“深藍”(IBM開發的國際象棋機器人),而是有了自主推理學習能力,進而大家擔心人類是不是有朝一日會被人工智能機器人“顛覆”掉?人工智能已經在無人駕駛、圖像處理、語音識別方面取得了突破性的應用,那金融領域呢?

      李開復老師曾談及人工智能應用的三個要素:數據、處理數據的能力和商業變現的場景。人工智能解決金融界問題的過程,很好的對應了這三個要素。也許,金融領域是人工智能最合適不過的顛覆場景了。

      在金融業務的前端,已經有不少傳統銀行將人工智能用于為客戶定制服務,開發理財產品的應用。例如巴克萊銀行和花旗銀行等。國內銀行中走在科技前列的招商銀行,也開始試用全新的人工智能業務模式。未來人工智能和機器學習技術在金融業前端會有更多的便捷精準服務提供給客戶。

      那么金融應用領域的后端呢?信息安全、投資風控、資產管理等方面的問題成了新問題,對于躲在觸屏手機背后的客戶,缺失了央行數據的客戶,銀行沒有辦法通過一雙雙眼睛去看到用戶是謙謙君子還是騙子流氓。這個時候,金融后端,傳統金融風控手段覆蓋不到和難以觸及的,那么“互聯網+金融”業務就要結合更廣泛的互聯網數據和人工智能手段,來處理更廣泛的金融客戶問題。

      從這個角度考慮,新金融時代,人工智能和機器學習,是真的要“顛覆”傳統金融風控了嗎? 在引入人工智能處理互聯網行業幾十萬維數據的處理手段,“降維”處理金融業界萬維、千維數據的時候,是會形成有效的降維攻擊嗎?

      注:本文援引CreditX在招行卡中心培訓干貨內容為例, 來解析人工智能和機器學習將會如何登上金融風控的主要舞臺。

      在談及機器學習在金融場景中的實際應用之前,首先我們對金融風控的一個標準業務流程進行梳理,通常一個風控業務包括前端頁面用戶資料申請提交和收集,反欺詐、合規、邏輯校驗,核心決策授信包括申請評分和電調,以及最后的催收。

      面對這套業務流程,新金融風控領域面對的數據痛點,一般有幾大類:


      反欺詐

      業務流程上,機器學習已經在每個風控節點發揮作用。比如反欺詐環節,在泛互聯網的環境里, 金融風控面臨的傳統個體欺詐已迅速演變為有組織、有規模的群體欺詐和關聯風險。而傳統反欺詐還停留在識別一度風險等這種簡單規則方式,如聯系人中借貸人個數等,對于二度、三度乃至更廣范圍的網絡全局風險苦無良策。

      機器學習里面基于圖的半監督算法很好地解決了這一訴求,基于申請人、手機號、設備、IP地址等各類信息節點構建龐大網絡圖,并可在此之上進行基于規則和機器學習的反欺詐模型實時識別。


      核心授信決策

      在申請評分環節,傳統金融風控往往是基于評分卡體系對強征信數據如銀行借貸記錄等進行建模,而新金融的業務下,客群的進一步“下沉”,覆蓋更多收入群體,新增群體的強征信數據往往大量缺失,金融機構不得不使用更多弱金融數據, 辟如消費數據、運營商數據、互聯網行為數據等。

      這類底層數據的改變,對傳統信用評分卡造成了巨大的困難,具體體現在:

      1、諸如互聯網行為、運營商數據很多都是非結構化數據,數據繁雜, 建模前的特征工程很難用傳統人工的方式完成加工。

      2、由于數據類型和范圍的大幅擴大,新模型面對的往往是加工出來的上千維弱變量特征,評分卡體系根本無法融合吸收這些特征。

      3、線上新金融業務風險環境頻繁演化,傳統人工迭代模型無法適應風險變化速度,迭代優化太慢。

      人工智能和機器學習對上述問題有獨到處理:

      面對數據繁雜的問題,基于深度學習的特征生成框架已被成熟運用于大型風控場景中,對諸如時序、文本、影像等互聯網行為、運營商非結構化數據實現了深層特征加工提取,顯現出對模型效果超出想象的提升。

      【圖注】上圖為大型信用貸場景中模型重要性特征列表,機器學習特征比例已經超過專家人工特征。

      針對數據駕馭難的挑戰,經過大量實踐表明,不同的數據用合適的模型才能挖掘出其最大價值。幸運的是,機器學習方法過去在互聯網廣告、搜索、推薦等技術的成熟應用,正是對不同類型的數據用不同的機器學習模型進行處理,將此移植到金融場景中,用復雜集成模型就可以輕車熟路地處理上千維度的弱變量,并將之與違約風險精準掛鉤。


      解決模型迭代慢也是機器學習最擅長的事情。 過去互聯網公司每天都產生海量用戶數據,需要對搜索、推薦模型持續頻繁地在線優化,自迭代頻次比金融領域更快速更準確,這是人工迭代幾乎無法解決的問題。因此在金融風控中,通過對模型特征、借貸群體、模型性能和業務反饋等多方面的監控,機器學習模型已經能很好地進行在線快速自迭代。

      AI-DRIVEN的大數據風控

      事實上,機器學習要解決的問題很清晰,所有的這一套數據適配融合、群體反欺詐、特征工程、模型構建和訓練、性能監控與自迭代的機制,包括深度學習、半監督學習、在線學習等技術,核心都是為了將互聯網級別的機器學習技術“降維”應用到金融領域,解決新金融場景上數據的獨特性,一方面可用數據比互聯網要少,另一方面又比傳統評分卡體系多了很多不可解釋、高維稀疏的大數據。


      后記:以上內容均節選自CreditX應邀在招商銀行信用卡中心年度務虛會培訓分享的“AI在金融科技的實踐”。相信隨著業務需求驅動技術的快速發展,機器學習將在金融風控變革中發揮越來越大的價值。

      (注:本文轉自虎嗅網)

      97国产理论影院-2020国产亚洲人成在线视频-久草色香蕉视频在线-亚洲 欧美 日韩 一区