风控智能战打响,萨摩耶数科自动建模平台AUTOMAN放大招( 二 )


在风控模型中 , KS指标来评估模型的区分度一项核心指标 , 区分度越大 , 说明模型的风险排序能力越强 。 AUTOMAN 1.0在测试环境中 , KS值区分度高出人工建模效果0.05个百分点 。
具体到风控场景里 , AUTOMAN的样本研判及处理、最优模型保存及部署、新样本预测、模型训练及调优四大功能 , 能通过便捷的方式直接接入金融机构的系统中 , 使得风控模型辨识风险的精准度更高 。
值得一提的是 , AUTOMAN虽然内置前沿流行算法 , 但用户没有知识背景也能熟练使用 , 这背后主要靠AUTOMAN的一键建模模式 。 该模式下 , 不需要合作机构写代码 , 按照说明放好样本就能训练出可部署调用的模型 。 另外 , AUTOMAN还能自动安装所需环境依赖包 , 用户无需再自行设置环境 。
模型调优方面 , AUTOMAN内置自研究调参算法 , 帮助模型开发工程师使用集成工具包提升模型开发效率 。简单便捷并不意味着效果打折 , AUTOMAN在效率与精度、标准化与通用性之中实现平衡 , 具备低成本、高精度、高效率地实现样本可视化的特点 。
数据决定AI算法的精度 , 算法精度决定AI产品质量 。 萨摩耶数科从真实的金融场景入手 , 不断提升智能化模型的精确度 , 唯有精度高了才能帮助客户构建智能化的风控大脑 。 不只是萨摩耶数科 , 任何金融科技平台的人工智能解决方案都需遵循这一前提 。
更新迭代是人工智能的灵魂
金融企业的人工智能需求仍存在很大增长空间 , 若想抢占市场份额 , 金融科技企业必须保持更新迭代的创新能力 , 时刻与金融机构的生产经营环境相适应 。
目前 , 针对企业数字化转型推出的人工智能产品种类繁多 , 但在企业实施落地的过程中出现水土不服 , 更有甚者效率不升反降 。 企业应用人工智能出现负面效应 , 与人工智能供应商提供的产品有关 , 人工智能产品的实用性和特点不匹配企业的实际需求 。
疫情叠加金融周期影响 , 传统金融机构的数字化转型紧迫性越来越强烈 , 尤其是在需要大量样本分析处理的风控环节 。 我国当前的消费金融市场相当一部分客群集中在优级、次优以下 , 而消费信贷产品又多以小额、分散、线上化为主 , 复杂的受理环境决定金融机构需要一个能不断迭代的智能风控解决方案 。
针对AUTOMAN的迭代创新 , 萨摩耶数科人工智能团队负责人表示 , 目前 AUTOMAN1.5版本已经在内部测试中 , 而AUTOMAN2.0版本将新增回归模式 。 未来我们还将持续加大研发力度 , 持续推动人工智能在金融风控领域的应用 。
另外 , 考虑到外部环境的波动及客群变化 , 后期萨摩耶数科考虑增加模型自迭代功能 , 实时应对外部风险的变化 。 同时 , AUTOMAN平台将实时学习外部前沿算法及模型优化方法 , 加入更多插件 。
人类对人工智能的想象及优化 , 其实早在18世纪就已开始 。 当时欧洲有一个堪称超越人类的Mechanical Turk(土耳其机器人) , 这个国际象棋游戏机器人的棋技卓尔不群 , 闻名欧洲与美洲 , 拿破仑和本杰明·富兰克林也不是其对手 。 机器人发明者去世后真相被揭开 , 这个机器人里其实藏着一个被雇来的国际象棋大师 。
进入二十一世纪 , 亚马逊为了删除网站上重复的产品 , 研发了一个人机混合的Amazon Mechanical Turk(亚马逊土耳其机器人) , 该人工智能技术能让企业通过编程寻求遍布全球的廉价人力资源 , 去帮助企业做一些类似删除重复内容、音频转录等劳动密集型工作 。
从土耳其机器人到亚马逊土耳其机器人 , 可以看出人是人工智能的核心 , 一切人工智能都需要经过人的指导进行反复算法训练 , 才能智能且高效地工作 。 这背后其实有一个很朴素的逻辑 , 人工智能的强大必须建立在人才队伍和科技投入上 。
萨摩耶数科能持续更新样本模型自动化设计平台AUTOMAN, 也正是源于科研人才储备和大量的研发成本投入 。 萨摩耶数科创始人及核心团队来自华中科大、复旦大学等知名高校 , 博士、硕士学历者占比高 , 并且均深耕金融科技领域多年 , 具有丰富的科技创新实战和互联网风险管控经验 。


推荐阅读