泛谈大数据 + AI 在征信行业的应用

1、泛谈大数据+ AI在征信行业的应用一、大数据+ AI的优势1、更准确的评估用户信用解释：能够考虑过去可能没有得到信用评分的人，或者可能被传统的基于逻辑回归的 评分太匆忙地拒绝了。换句话说，AI可以查看消费者信用记录中的某些数据点，计算他们 即将偿还的概率;或者考虑那些过去12个月都没有还款（基于某些原因），但是在某一个数 据点，他们偿还了所有的款项的人群。2、AI对风控的控制更加精确解释：人为的去做风控，每一个人都会有自己的主观看法和偏差，但是用AI +模型 +大数据去判断风险，去控制风险，可以令风险的控制和判断更加精准。3、极大提升传统征信行业的决策效率解释：AI对大数据量的加工处理更高效，

2、决策效率也很高，替代了大部分的人工操作 和决策过程。二、AI（以DL为例）和ML（以LR为例）在征信大数据上的区别与联系区别：1、DL对数据的学习更加全面深刻，而LR过于教条；解释：DL可以通过复杂的推理，在大数据中找到不明显的东西（优势中的第一点），而 往往这些特殊的、或者个别的才最重要；LR则要求我们对数据强行结构化，这种做法容易 消磨原始数据的真实性。2、DL在训练时能够兼顾多个变量之间的交互情况，而LR更多的是考虑单个变量；3、LR对借款人的可解释性更强，DL目前难以提供专业的原因代码（据说Equifax公 司已经有了一套生成原因代码的算法）。联系：1、ML：任何通过数据训练的学习算法

3、的相关研究；2、DL：深度学习不仅仅是具备多层架构的感知器，而是一系列能够用来构建可组合 可微分的体系结构的技术和方法；3、AI是一个很大的概念，而ML则是AI的一个分支一一ML是AI的子集；4、机器学习包括了 ANN（人工神经网络），而ANN是深度学习的起源DL是ML 的子集；5、AI = ML + NLP、图像处理、人脸识别、语音识别、知识图谱等ML = DL + LR、贝叶斯、SVM 等itiri MCitcmefitDEEP itiri MCitcmefitDEEP 遂株LEARNING 学习图1 AI、ML、DL的联系三、大数据+AI技术如何应用到征信行业大数据+ ML：利用大量用户

4、金融交易行为记录类数据，通过机器学习方法，建立模 型，预测用户信用情况，给出不同形式的反馈结果；大数据+ AI：人工智能补充ML的不足，驱动征信业的发展；AI可以通过那些手段、方法，补充ML的不足呢？DNN :深度训练、分析用户信贷类数据，分析多个变量之间的交互；NLP:智能问答系统、智能机器人解决信贷者的疑问；图象处理：扫描信贷者的证件；人脸识别：人脸识别活体，和身份证做对比；知识图谱：解决反欺诈问题、不一致性验证、团伙欺诈等；知识图谱应用举例如下：1）不一致性验证解释：张三、李四不同公司，但是同一个电话，这就是风险点，但是我们的实名认证 没有包括这个信息；workjany_phonecoi

5、nmny_phoneworkworkjany_phonecoinmny_phonework解释：张三和李四是朋友关系，而且张三和借款人也是朋友关系，那我们可以推理出 借款人和李四也是朋友关系，而不是父子关系（红包关系链的问题）；friendfriend2）组团欺诈解释：张三、李四和王五之间没有直接关系，但通三者之间都共享着某一部分信息， 组团欺诈的可能性较高。虽然组团欺诈的形式众多，但有一点值得肯定的是知识图谱一定 会比其他任何的工具提供更佳便捷的分析手段。四、监管（万存知局长）和业界对征信业的看法1、信用评分一一信用模型所用信息不能包括非信贷类（比如某宝所用的特征维度有： 学习及职业经历、人脉关系（已经涉及隐私）等，是不可以的!）信息；2、应用场景主要在金融领域，特定的用途需要特定的授权；3、个人征信一一三个原则：第三方征信的独立性;征信活动中的公正性;个人信息隐私 权益保护；4、个人征信黄社会信用体系（个人理解：主要是指应用场景的范围吧，像机场快速 通道、谈恋爱等，有点夸张了，也是某宝的主意）。后记展望人工智能听起来确实很强大，但是就目前的成果而言，只是提高了人类的工作效率， 落实到具体的应用场景，我