如今，随着社会不断发展，技术不断进步，国内外各大金融机构已经在大数据、人工智能、区块链等新技术上有很多尝试，智能客服、智能投顾等新金融形式也早已不新鲜。那么，这些前沿新科技遇到严肃谨慎的金融业，究竟是“黑科技”般的存在，还是技术宅们的另一场狂欢呢？

　　以下是氪信联合创始人杨玢玢在《当金融遇上黑科技》线下主题沙龙活动的精彩分享：   　

　大家好！我是氪信杨玢玢，负责氪信产品研发。氪信的全称是氪信信息技术有限公司（CreditX），最近刚刚完成了B轮融资。团队的核心人员均来自于雅虎、微软、携程、eBay、央行等世界知名公司和机构，在人工智能领域有超过10年的积累。   　　

在氪信创立之初，我们主要思考这样一个问题：AI应用在金融领域里，如何能够在商业上有所突破？李开复老师也针对这个问题说过他的观点：想要有所突破，需要几个必要因素，一个是要有数据，毕竟AI归根究底还是数据的技术；另外要有处理数据的能力，其次还要有商业变现的场景。技术单独存在不能产生价值，一定要放在一个对技术有需求的场景里面。   　

　我们认为，把AI技术应用于金融领域是一个突破点，而且金融本身是数据化非常完善的场景。同时，金融领域还具备以下几个要素：   　

　第一，市场本身快速发展。在国内目前征信体系不是很完善的情况下，很多有金融需求的人得不到相应的金融服务。氪信通过对数据的搜集和加工，为符合要求的用户提供金融服务。   　　

第二，数据端非常成熟。如今，大家花在手机上的时间特别多，互联网行为就是一个非常好的数据。关键在于如何把它和金融、信用相结合，怎么去拟合他们之间的关系。而这种信任评估是氪信比较擅长的。   　

　从我们决定把AI的技术应用于金融风控，至今已有一年半的时间，在这段实践过程中，我们看到在技术层面、业务层面和战略层面都存在很多痛点，概括来说，就是业务本身对技术提出了需求。比如2016年蓬勃发展的小额现金贷业务，本身就是一个欺诈频发的行业，且没有强数据做支撑，因此，很多从业十几年的金融风控专家在面对新业务形态时，显得有些束手无策。   　　

没有强数据不代表没有数据，事实上，企业还是能够拿到一些所谓的“弱数据”，比如手机上的数据，设备类的数据，或者一些消费类的数据。拿到数据之后去想怎么把这些数据用好，最后再决定要不要给这个人授信。至于授信多少，就需要用到AI技术了。  

　　接下来分享一下氪信的做法和取得的成果。简单来讲风控分为两个部分：一个是反欺诈，一个是授信。  

　　在实践过程中，我们发现区别于传统征信，互联网征信存在几个核心的点：   　　第一，在反欺诈的阶段，传统征信很难捕捉到一些不是很明显的、由于社交关系和其它关系对自己产生的潜在风险，例如一些团贷、群体欺诈的问题。但是这些问题通过挖掘网络数据价值就可以得到很好的解决。  

　　第二，了解AI的人都清楚，我们在做数据加工的时候，主要还是做特征和建模。在加工的过程中，除了运用专家的方法之外，深度学习也被验证效果突出。建模阶段相比较传统的浅层模型，比如说逻辑回归等等模式，我们采用的是复杂的集成模型方式，因为不同维度的数据具有不同的特点，需要使用不同的建模方法，集成学习框架可以支持不同类型模型算法作为子模型，高效、准确的处理稀疏、超高维、非线性数据建模。   　

　接下来我会分别讲一下我们公司的做法：

  　　第一是底层，我们需要把能够拿到的数据定义为网络需要的关系，底层做一个数据的整合；第二层我们会到一些复杂的网络构建基础，里面有一些信息挖掘和算法；再往上我们会有一些模型，从网络里面拿到隐含的特征，去进行模型的构建；最终来识别比如说一些虚假的申请，或者是一些特殊地域的团贷等。  

　　在网络的算法里面，我们的主要核心是复杂网络构建和团挖掘技术两块。首先在原始的点和边构建好以后，我们如何通过合理算法解决实际的问题，通过团的距离计算，达到比较良好的分团的结果。   　

　另外一个是特征，这个也是非常关键的。我们如何从网络里面提取对一个人的欺诈识别比较有用的信号特征。在这方面，传统的做法是会有一些个人的风险特征，或者关联人，大概多少坏人，这些是我们人能想到的特征。   　　

另外在我们的实践应用过程中，我们发现在突破单个风险点来临的时候，整个网络会出现一些局部风险，并形成连接，比如说形成一些三角或者四角的关系等。从长远的时间上看，这样的关系可能未必不正常，但是一定时间内，你的申请人形成了非常紧密的联系，这件事情是值得注意的。   　　

除了个人局部的风险特征以外，还有全局的。我们用到了一些优化后的算法，每一个人在整个网络中，都会出现一些高的风险点，对和他有社交关系的人也会存在辐射效应。对于个人来说，可能在一度二度三度关系上，会和一个或是几个坏人有一些联系，现在社交比较发达，如果出现大片这样子的人，可以通过辐射算法捕捉到这样的信号。   　　

另外在网络这块，很重要的一点就是整个系统的回转和流程优化。因为网络欺诈有一个特性，对于实时性甄别以及实时修改性上限要求特别高，同时我们学习的目标，不是一个纯事实，很多都是学习专家认定为欺诈的经验，这样的结果对本身的优化是很有价值的，从整个产品来看，形成了数据加工、数据计算和反馈的闭环。  

　　我们也有专家的界面，网络捕捉风险之后，我们的专家都可以看到。   　

　下面分享一下我们氪信在特征加工上的实践。可能了解AI的人特别清楚，我们最后做模型结果的时候，如果是优秀的话，这个优秀的绝大部分来自于我们非常辛苦的加工过程。   　

　我们会看到个人的加工方法，很多时候会有一些不局限性，比如说文本的特征，通过一些方法或者通过不同时间维度的方法，可以描绘出几百个维度的特征，但是不可能达到完备的状态，我们确实需要借助技术本身的能力达到提升。   　

　氪信在小额信用贷的场景里面，尝试用深度学习像循环神经网络处理时序的数据一样处理文本，效果还是非常不错的，我们整个的特征过程是包含了

专家的部分以及深度学习自动生成的特征共同传递给模型，并且进行了最终的预测和识别。   　　这边举一个具体的例子，刚才我提到时序的特征。比如我在不同的时间窗口，是不是要穷尽所有的特征？有可能我们花费了大量的时间，只可以覆盖80%的部分，但是我们用循环神经网络利用长短时记忆的特征，可以捕捉数据在不同窗口趋势类、统计类等不同的特征，从而衍生出来上万种特征，最后我们把这些交给模型，让它来识别哪些是有效的。  

　　建模部分。我们曾做过很多相关的实践，像浅层的偏现金的模式，有它的优势，比较稳定，人也好理解。也尝试过中间阶段端到端的深度学习的方法，通过反神经网络的方法捕捉之间的关联。   　

　最后通过实践结果，我们认为集成模型在金融风控场景里，是一个判断好坏既稳定又有效的手段。集成模型的思想是用不同的子分类器，处理不同的数据。我会选择好的分类器处理面临的数据，在上面去做一个集成，优势就出来了，就是好而不同，说的直白一点就是三个臭皮匠顶个诸葛亮。从模型性能来看，集成方法无论是拟合能力、模型的预测能力，以及换一个场景它的稳定能力都是非常好的。同时，集成模型在各个场景里也可以实现迁移。现在在氪信的产品体系里面，也融合了这个方法。  

　　在信用贷场景里面，我们和传统模型相比性能提升了1倍，稳定在KS值0.3以上，坏账率直接下降46%。这使得我们很兴奋，是技术给业务直接带来了效果。   　

　氪信要做的就是把AI技术加到金融风控里面，而这个领域里面还是有很多事情可以做的。我们在实践的过程中，同时把方法形成一套产品体系，帮助金融机构解决问题。我们氪信有相应的云数据的服务，有机器学习建模平台，有在线风控引擎，可以帮助完成企业互联网+的升级。   　　数据核心是我们沉淀的这条金融图谱的知识体系，从原始的需要用什么数据，到加工挖掘数据，再到上层怎么连接管理它，形成精准完备的画像。  

　　另外在系统的整个过程和AI的运营中，从设备接入到数据的加工处理，到得出结果等等，整个都是自动化的过程。现在现金贷的量非常大，解放人力已经成为重要需求，因此我们确确实实需要这样一套数据智能一体化的产品。