用人工智慧做金融風控？這裡是一位實踐者的思考

4 月 25 日（今日），金融風控解決方案提供商 CreditX（氪信）在北京光華路 SOHO 舉辦第一期「大氪堂」活動，以金融風控與機器學習的交匯為切入點，介紹氪信目前的主要業務和情況。

「十年前的人工智慧都是語音識別、人臉識別、數據挖掘等任務，我們這些做機器學習的人都不好意思叫自己人工智慧，」擁有 10 多年數據挖掘、機器學習經驗的 CreditX（氪信）CEO 朱明傑以此作為開場，談起當下風起雲湧的人工智慧創業時代，和他們觀察到的規律特點。

在朱明傑看來，人工智慧能發揮作用的必備條件包括：大量的數據、模型的能力和個人行為的數字化，金融行業當下剛好符合這三個要求。過去，人們往往使用基於專家經驗的 FICO Score 來衡量一個人的信用情況。但 FICO 採用公式計算個人屬性得出個人信用分值的方式，不僅無法完整描述個人情況（只有 20 幾個維度），同時又容易破解。

中國目前缺乏像 FICO 一樣的信用體系，往往依靠專家經驗和結構數據，通過規則決定一個人是否能獲得金融服務。這種方式忽略了個人數據中有價值的部分，對個人的判斷也是片面的。事實上中國發達的移動支付、電商消費情況都在幫助用戶不斷產生大量數據，這些非結構化數據都可以和個人的金融、信用情況掛鉤。

金融機構也在不斷嘗試解決這些問題，為什麼需要 CreditX？

「通用方法是收集大量多維度數據，但一直沒能解決問題的原因，在於信息完備度、模型學習能力和學習目標這三件事。」信息完備度指收集到的數據量不夠，在有限的維度下無法準確畫像；模型學習能力指從過去的評分卡過渡到需要深度學習技術的支持來自動加工特徵，需要建模和運用不同人工智慧技術的能力；學習目標指需要明確要解決的問題，根據問題收集過去已有的數據來進行訓練。

在技術方面，CreditX 通過 ID 映射、域適應等技術預處理非結構數據，然後通過 CNN、RNN、LSTM 與時下流行的 Word2vec 結合，與深度學習方法配合完成金融風控場景。同時 CreditX 還構建了氪信圖譜，底層為氪信自主開發的機器學習平台 Marvin，加上固化的特徵工程模塊學習不斷學習金融領域知識。

與物體識別通過數據集來測試模型效果相比，金融風控該如何衡量自己的技術效果？答案是通過結果導向，即「通過使用的場景和目標來定義，包括壞賬率、轉化率、有效性、收益率等指標。」目前 CreditX 的客戶包括民生銀行、中銀消費金融、中國平安、眾安保險等等。

關於盈利模式，朱明傑曾在過去的媒體採訪中稱：「我們的引擎服務按軟體版權來收費，雲服務按流量收費，但現在還是很早期的階段，接下來會向成熟穩定的商業兌現模式發展。」近期 CreditX 已完成 B 輪融資，由招商局創投領投、中經合跟投，以增加在人工智慧技術研發上的投入，加深行業機構的合作。

據統計，2015 年中國消費信貸規模為 19.0 萬億，同比增長 23.3%。預計未來仍將維持 20% 以上的增長趨勢，2019 年將達到 41.1 萬億。