極融主要利用大數據和機器學習，為中小銀行、互金平臺和從事互聯網信貸的企業提供全流程的信貸服務和風控服務。目前已經在超過50家商業銀行實施落地相關的產品，包括整個信貸的全生命週期管理和互金風控系統的建立。極融匯聚了千億級信貸風控經驗，具備業界領先的科技實力。
蔣紀勻
極融聯合創始人&COO。前螞蟻金融雲聯合創始人，此前曾任eBay PaaS中國區首席架構師。15年軟件及互聯網行業的資深技術及運營經驗，推動過網商銀行、天弘基金等重大金融項目的上雲。是國內智能大數據風控、雲計算等創新技術領域的開拓者與領頭人。
<strong>2018年11月16日，由CTOA首席技術官領袖聯盟、ITShare主辦，熠韻商務諮詢有限公司承辦，“<strong>科技賦能 規範融合”主題的<strong>2018FinTech領袖峰會上，極融聯合創始人&COO蔣紀勻，為我們帶來精彩演講——<strong>極融互聯網信貸風控實踐。
<strong>以下為大會演講內容：
極融，作為由嘉銀金科孵化的金融科技公司，和嘉銀金科旗下的另一家頭部互金平臺公司你我貸是兄弟公司。極融目前主要運營兩款產品，互聯網信貸產品和大數據風控產品。其中互聯網信貸產品覆蓋互聯網信貸全生命週期的管理，而作為金融核心的大數據風控產品，則幫助極融以更簡單、高效、精確的方式，全方位、系統性地把控信貸風險。
大數據風控產品分為三個部分，信貸風控平臺、AI建模平臺和決策引擎。信貸風控產品積累了互聯網信貸典型場景的經驗總結，包括策略集市、模型集市，及互聯網信貸領域最關心的多維度報表等。
信貸風控產品的底層，採用了自主研發的決策引擎。決策引擎中除具備規則的管理、發佈、執行等基本功能外，還是一個可視化、可拖拽、可編輯、能一鍵發佈的平臺，解決了以往業務上反應的週期長、容易出錯的問題。比如在傳統建模過程中，在模型分析師、風控策略人員定出策略之後，需要委託開發人員進行開發，一般需要兩至三週的時間才能將模型交付上線。而且人寫的代碼總會有bug，可能造成資損等一系列的問題。極融自研的可視化、可拖拽、可編輯、一鍵發佈的規則引擎，能夠確保發佈上線的模型與風控部門做出來的風控模型保持一致性。決策引擎的底層設計上還應用了流計算技術，確保對海量業務的快速響應。因此，在具體的應用方面，不僅可以支撐互聯網信貸業務，還可應用於智能營銷、保險推介等領域。極融同時正在與阿里雲進行合作，在信貸風控及智能營銷領域已為多家客戶提供了方案。
同時，為了保障建模和改變策略的整個過程更符合工程化管理的理念，極融的規則引擎引入了冠軍挑戰者模式和影子策略模式。當我們做模型策略上線的時候，也能用類似於灰度發佈和AB Testing的方式做這個事情，讓新模型上線週期中更加穩定和安全的運行。如，上線初期可先分發10%的流量，比較一下與原模型之間誰的性能更好。如果新模型更好，可以切更多流量給它，否則就要重新優化新模型，甚至放棄新模型，這樣使整個業務風險的防控更加安全。
另外，極融還自研了AI建模平臺。在這個平臺，每一個可視化方框是一個算子，可以進行拖拽和編輯，支持各種機器學習的算法，這樣可以使用不同的算法在AI平臺裡持續迭代模型。該平臺也是支持一鍵式發佈的。支持常用的AI算法，包括大規模WOE計算, 逐步邏輯斯蒂迴歸, 大規模輯邏輯斯蒂迴歸, GBDT, Random Forrest, K Means Cluster等。平臺還支持衍生字段和衍生邏輯的自定義，包括主體類別衍生字段、業務類別的衍生字段、數據字典類別的衍生字段。
在版本控制上，平臺支持版本的升級和回滾，包括工單流程式的審批。工單流程可插拔，一般場景下不需要工單流程，提交一個新版本策略，發佈上線，可一鍵實現。對於流程嚴謹的企業尤其是銀行，可使用我們提供的工單審批流功能，根據版本管理辦法自行控制版本發佈上線的流程。
在輔助客戶進行建模的實踐方面，首先最常見的場景是客戶計劃開展新業務，沒有經驗，也沒有相關數據的積累，這種情況一般採取冷啟動的模式。最常見的冷啟動模式是基於元模型的冷啟動。極融基於過往經驗，積累了一些場景的元模型，如薪金貸、微商貸、車抵貸等。基於標準化的元模型，再輔以全流程反欺詐，根據具體產品特性設計出一套專家經驗的模型。在冷啟動階段，通常需要強屬性的變量予以支撐，比如公積金，社保，現金流水等數據。冷啟動如果只有弱屬性的變量做出來的模型，其風險程度會比較高。
當冷啟動結束後，如何提升客戶模型的性能，增加通過率的同時降低逾期和不良率？我們通常會在業務逐漸放量後，增加弱數據的評分卡，包括整個信貸生命週期中觀察到的種子數據，會拿來用於迭代建模。最開始，我們會基於邏輯斯蒂迴歸做弱數據的評分卡，結合原來強數據評分卡迭代優化，慢慢把模型性能提升。當積累大量數據後，基於AI算法做一些集成學習，進一步提升風控的能力，這就是我們提到的經驗驅動到數據驅動再到AI驅動的過程。
還有一些客戶，做過一定量的信貸業務，有一定的數據積累，這個時候進行“溫”啟動，我們會利用客戶的加強數據，結合業界的第三方數據，做一些溫啟動的模型。運用的常見手段有深度特徵錘鍊，挖掘灰名單，規則提煉，以及仿真優化。通過Auto Machine Learning分析、RFM行為模式、關係圈、客群特徵、黑名單、交易圖、客戶群綜合特徵做一些聚類分析和圖譜的分析，分析出灰名單，灰名單是溫啟動建模重要的指標。
除此之外，我們還可以做一些規則提煉，把一些原來的接近場景的黑盒模型，通過線性解釋器的反常規過濾器，使其成為白核化的規則集，從而更容易修改。把這些規則集結合我們的黑名單，結合剛才的數據分析，做進一步優化。從而針對這個特定的場景，做出一些溫模型，然後利用溫模型做新場景的啟動。我們還可以通過優化調整規則排序，規則閾值，從而產生更好的規則和模型效果。
還有一個辦法，更快加速AI建模的推進。不管冷啟動還是溫啟動，如果要開展的業務有曾經遇到過類似的場景，或者類似的客群、區域，這個時候通過非常少量投放，得到一些數據積累，比如幾百比的投放，就可以結合類似模型，用來做遷移學習。遷移學習的效果，會比單單隻有幾百比數據直接機器學習建模的效果好很多，快速從冷啟動或溫啟動階段，直接進入AI迭代的階段。
我想提到的最後一種場景是，如果客戶已經做過某個場景的客群，有一個新場景，這時可以使用我們模型堆疊的方案，從小風險的舊場景快速切入新場景。
謝謝大家！
閱讀更多 ITShare 的文章
