能夠考慮過去可能沒有得到信用評(píng)分的人，或者可能被傳統(tǒng)的基于邏輯回歸的評(píng)分太匆忙地拒絕了。換句話說，AI可以查看消費(fèi)者信用記錄中的某些數(shù)據(jù)點(diǎn)，計(jì)算他們即將償還的概率;或者考慮那些過去12個(gè)月都沒有還款(基于某些原因)，但是在某一個(gè)數(shù)據(jù)點(diǎn)，他們償還了所有的款項(xiàng)的人群。

一、大數(shù)據(jù)+ AI的優(yōu)勢

1、更準(zhǔn)確的評(píng)估用戶信用

解釋：能夠考慮過去可能沒有得到信用評(píng)分的人，或者可能被傳統(tǒng)的基于邏輯回歸的評(píng)分太匆忙地拒絕了。換句話說，AI可以查看消費(fèi)者信用記錄中的某些數(shù)據(jù)點(diǎn)，計(jì)算他們即將償還的概率;或者考慮那些過去12個(gè)月都沒有還款(基于某些原因)，但是在某一個(gè)數(shù)據(jù)點(diǎn)，他們償還了所有的款項(xiàng)的人群。

2、AI對(duì)風(fēng)控的控制更加精確

解釋：人為的去做風(fēng)控，每一個(gè)人都會(huì)有自己的主觀看法和偏差，但是用AI + 模型 + 大數(shù)據(jù)去判斷風(fēng)險(xiǎn)，去控制風(fēng)險(xiǎn)，可以令風(fēng)險(xiǎn)的控制和判斷更加精準(zhǔn)。

3、極大提升傳統(tǒng)征信行業(yè)的決策效率

解釋：AI對(duì)大數(shù)據(jù)量的加工處理更高效，決策效率也很高，替代了大部分的人工操作和決策過程。

二、AI(以DL為例) 和 ML(以LR為例)在征信大數(shù)據(jù)上的區(qū)別與聯(lián)系

區(qū)別：

1、DL對(duì)數(shù)據(jù)的學(xué)習(xí)更加全面深刻，而LR過于教條;

解釋：DL可以通過復(fù)雜的推理，在大數(shù)據(jù)中找到不明顯的東西(優(yōu)勢中的***點(diǎn))，而往往這些特殊的、或者個(gè)別的才最重要;LR則要求我們對(duì)數(shù)據(jù)強(qiáng)行結(jié)構(gòu)化，這種做法容易消磨原始數(shù)據(jù)的真實(shí)性。

2、DL在訓(xùn)練時(shí)能夠兼顧多個(gè)變量之間的交互情況，而LR更多的是考慮單個(gè)變量;

3、LR對(duì)借款人的可解釋性更強(qiáng)，DL目前難以提供專業(yè)的“原因代碼”(據(jù)說Equifax公司已經(jīng)有了一套生成原因代碼的算法)。

聯(lián)系：

• ML：任何通過數(shù)據(jù)訓(xùn)練的學(xué)習(xí)算法的相關(guān)研究;
• DL：深度學(xué)習(xí)不僅僅是具備多層架構(gòu)的感知器，而是一系列能夠用來構(gòu)建可組合可微分的體系結(jié)構(gòu)的技術(shù)和方法;
• AI是一個(gè)很大的概念，而ML則是AI的一個(gè)分支——》ML是AI的子集;
• 機(jī)器學(xué)習(xí)包括了ANN(人工神經(jīng)網(wǎng)絡(luò))，而ANN是深度學(xué)習(xí)的起源——》DL是ML的子集;
• AI == ML + NLP、圖像處理、人臉識(shí)別、語音識(shí)別、知識(shí)圖譜等

ML == DL + LR、貝葉斯、SVM等

圖1 AI、ML、DL的聯(lián)系

三、大數(shù)據(jù)+AI技術(shù)如何應(yīng)用到征信行業(yè)

• 大數(shù)據(jù) + ML：利用大量用戶金融交易行為記錄類數(shù)據(jù)，通過機(jī)器學(xué)習(xí)方法，建立模型，預(yù)測用戶信用情況，給出不同形式的反饋結(jié)果;
• 大數(shù)據(jù) + AI：人工智能補(bǔ)充ML的不足，驅(qū)動(dòng)征信業(yè)的發(fā)展;

AI可以通過那些手段、方法，補(bǔ)充ML的不足呢?

• DNN：深度訓(xùn)練、分析用戶信貸類數(shù)據(jù)，分析多個(gè)變量之間的交互;
• NLP：智能問答系統(tǒng)、智能機(jī)器人解決信貸者的疑問;
• 圖象處理：掃描信貸者的證件;
• 人臉識(shí)別：人臉識(shí)別活體，和身份證做對(duì)比;
• 知識(shí)圖譜：解決反欺詐問題、不一致性驗(yàn)證、團(tuán)伙欺詐等;

知識(shí)圖譜應(yīng)用舉例如下：

1)不一致性驗(yàn)證

解釋：張三、李四不同公司，但是同一個(gè)電話，這就是風(fēng)險(xiǎn)點(diǎn)，但是我們的實(shí)名認(rèn)證沒有包括這個(gè)信息;

解釋：張三和李四是朋友關(guān)系，而且張三和借款人也是朋友關(guān)系，那我們可以推理出借款人和李四也是朋友關(guān)系，而不是父子關(guān)系(紅包關(guān)系鏈的問題);

2)組團(tuán)欺詐

解釋：張三、李四和王五之間沒有直接關(guān)系，但通三者之間都共享著某一部分信息，組團(tuán)欺詐的可能性較高。雖然組團(tuán)欺詐的形式眾多，但有一點(diǎn)值得肯定的是知識(shí)圖譜一定會(huì)比其他任何的工具提供更佳便捷的分析手段。

四、監(jiān)管(萬存知局長)和業(yè)界對(duì)征信業(yè)的看法

1. 信用評(píng)分——信用模型所用信息不能包括非信貸類(比如某寶所用的特征維度有：學(xué)習(xí)及職業(yè)經(jīng)歷、人脈關(guān)系(已經(jīng)涉及隱私)等，是不可以的!)信息;
2. 應(yīng)用場景——主要在金融領(lǐng)域，特定的用途需要特定的授權(quán);
3. 個(gè)人征信——三個(gè)原則：第三方征信的獨(dú)立性;征信活動(dòng)中的公正性;個(gè)人信息隱私權(quán)益保護(hù);
4. 個(gè)人征信 ≠ 社會(huì)信用體系(個(gè)人理解：主要是指應(yīng)用場景的范圍吧，像機(jī)場快速通道、談戀愛等，有點(diǎn)夸張了，也是某寶的主意)。

后記展望

人工智能聽起來確實(shí)很強(qiáng)大，但是就目前的成果而言，只是提高了人類的工作效率，落實(shí)到具體的應(yīng)用場景，我們還需要更加努力的探索和思考。特別是在金融領(lǐng)域和征信行業(yè)，我們更需要投入大量精力，不斷嘗試，不斷創(chuàng)新，積極利用人工智能新技術(shù)，新方法，提高工作效率，提升模型精度，提升用戶體驗(yàn)。