撰文 | 高靜宜
編輯 | 藤子
申請者無需跑到銀行，只要在手機端下載 App，填寫資訊，在通過稽核後就能收到借款。與信用卡相比，借貸類金融平臺產品的借款過程更為簡單快速，有些金融平臺甚至打出了幾小時內放款的口號。
這種便捷、快速的借款服務不僅可以實現「江湖救急」，也給剁手後的「吃土一族」帶來了「活下去」的希望。
在這背後，平臺服務商不僅要為使用者提供優質的體驗，也需追求投資回報率（ROI）的最大化，而這些都離不開技術的強力支援。因此，在金融這個強資料驅動的行業中，如何利用技術手段高效、準確地作出決策成為了亟待商家解決的首要課題。這其中，部分商家就瞄準了 AI 技術，並開啟了 AI 試水之旅。
獲客、風控、運營，AI 能提升網際網路金融領域各個環節的效率
「其實 AI 技術非常適合金融場景的應用。因為這是一個 toC 的產品，靠人工針對每一個使用者去做決策工作量極大，而模型演算法策略則可以深度嵌入到每一個業務流程中去。」凡普金科的資料科學家這樣告訴機器之能。
2013 年成立的凡普金科是一家金融科技公司，專注於大資料處理和金融科技研發，為有借款諮詢、汽車融資租賃、消費分期、理財社交、投資等需求的普通人提供網際網路金融資訊服務。目前旗下擁有愛錢進、錢站、凡普信、任買、會牛等品牌。
在金融科技行業爆發之前，使用者借貸要去銀行申請，而銀行業務的普惠程度卻並不盡如人意。銀行的工作人員需要花費大量的時間和精力稽核申請者提交的資料是否真實。對於銀行來說，這部分成本在審批申請鉅額貸款的企業級使用者上或許並不是問題，可是在個人信貸時，卻無法覆蓋這部分成本，難以普惠所有群體。
步入網際網路時代之後，金融資料變得更容易被獲取，隨之，鋪天蓋地的資料擺在了業內人士的眼前。在海量資料的重壓之下，機器開始替代人工，從而減輕他們施行信審的壓力。
而近年來，AI 技術得到了飛躍式的發展，它在「識別」資料上的優越表現讓人們看到了其在智慧決策方面的潛力，開始在網際網路金融領域的獲客、風控、批核定價、反欺詐、運營等環節扮演重要角色，並大幅度提升了各環節的效率。
將 AI 技術提純成平臺，再向各業務線輸送 AI 能力
目前，凡普金科就嘗試在錢站業務線中的風控和反欺詐環節，以及愛錢進業務線中的獲客營銷及運營環節上部署 AI 能力。
例如，當錢站平臺收到消費借款服務申請時，平臺不僅需要基於信用資料判定申請者是否為真實借款人，還要衡量申請者的信用還款能力，並根據不同的信用風險制定不同的批核借款額度。傳統的線下方法中，分析師以及信審人員需要花費幾天的時間核實申請資訊，而錢站平臺則可以在幾小時內提供消費借款服務。
在這個過程中，愛錢進和錢站平臺會先把提交的申請資訊、以及經過使用者授權後獲取的電商等平臺公開資訊以及與三方資料公司合作獲得的資訊等輸入到訓練好的 AI 演算法模型中，再結合業務場景和經驗中提煉出來的特徵與深度學習演算法學習出來的特徵，判斷申請者是否擁有良好的理財習慣以及是否為一個真實活動的人。
另外，在貸前的獲客環節，也可以利用 AI 模型對人群進行智慧化判別，找到近期迸發出強烈金融服務需求的目標客群，然後施行差異化激勵措施，也就是所謂的「看人下菜碟」。在傳統方法中，推廣人員可能會關注平臺上的流量以及相應的 ROI，然而這些結果是動態的，資訊存在滯後性，可能會對觀察到的結果造成影響。而利用智慧方法則可以有效識別流量，大幅度提升目標客戶的轉化率以及吸金能力。
事實上，不僅在貸前，AI 技術在貸中以及貸後也大有用武之地。
在貸中，平臺可以查詢到借款使用者的三方資料表現，並利用這些資料讓 AI 參與決策是否為消費借款使用者提供提額服務。貸後階段則可以利用 AI 演算法模型輸出的結果分配佈置資源，例如在催收環節，針對不同種類的使用者選擇不同程度的催收手段，也可以把經驗豐富的催收人員安排在較難催的使用者身上。
然而，不同的決策流程往往是環環相扣的。因此，凡普金科希望可以在整個業務線中實現端到端的決策，讓各環節的不同模型互相關聯起來。要做到這點的先決條件就是讓資料先實現關聯，再通過先驗概率等方式完成演算法和模型的組合。
據介紹，凡普金科在構建貸後模型的時候發現，使用者的還款狀態是一個鏈條。使用者從 C（正常還款）到 M1（逾期一期），以及從 M1 到 M2（逾期二期）是傳導的過程。如果單看 M1 到 M2 這一過程，做出的最優決策可能只侷限在這一環節。而如果考慮 C 到 M1 的可能性，再看 M1 到 M2 的可能性，則會得到一個全域性的最優結果。
此外，各個業務線單獨研發對資源的消耗較大，凡普金科會把各業務線中應用到的核心 AI 技術進行整合，組建了一個名為資料科學中心的組織，然後通過平臺層向各業務線輸出服務。
在提純公司 AI 技術能力的同時，研發團隊將部分技術抽離形成相應的產品，水滴專案就是基於這樣的方式產生的一個平臺化產品。
水滴是一款全自動的端到端的大資料建模工具，採用了基於深度學習、機器學習的理念自主研發的演算法，可以實現特徵工程、特徵選取、模型建立、效果評估、上線預測全流程的自動化，能夠將原本一個建模團隊 2 到 3 個月的工作量壓縮至 6 分鐘到 10 個小時（取決於資料量大小），大大節省了人工成本，提高了建模效率。
水滴專案的負責人、資深資料科學家白洋介紹，水滴平臺產品不僅可以模仿人的思考方式，將判斷流程邏輯化、系統化、工程化，解放出分析師和科學家的大腦去進行創新層面的思考。同時可以在人類固有的風控經驗，通過深度學習自動去發現業務資料之間的模式，從而更深的挖掘資料的價值，找出人類模型分析師發現不了的特徵。目前水滴平臺產品面向凡普金科旗下品牌，已經應用於愛錢進和錢站品牌，在對外的平臺合作中，也有了應用。
白洋舉例：“在愛錢進的智慧運營嘗試中，根據使用者的歷史投資記錄，APP行為資料通過水滴來建模預測不同的運營手段能夠提升多少投資概率和金額，在滿足業務需求的金額目標的同時，根據非線性最優化解出針對每一個人不同種類的運營方案，從而最小化成本，使得整體的ROI提升20+%。不僅解放了傳統運營去手動篩選人群，制定策略的人力，還提升了整體的運營效率。”
“其實我們的最終目的就是通過技術新方法去降低人在整個流程當中的參與度。”凡普金科的資料科學家陳宸總結道，“這就是人在退，機器在進的過程。”
事實也正是如此，儘管凡普金科的業務體量呈指數趨勢上漲，不過團隊人員增加數目卻是非常有限的。儘管業務量有了成倍的增長，可是在這背後，團隊的人數只從120漲到了150，很多決策工作都是由機器完成的。
凡普金科的資深資料科學家楊磊告訴機器之能，金融科技這個行業越來越重視AI技術的應用，年底很多業內會議主題也都聚焦在怎麼把AI技術運用到業務中去，不難看出，這確實已經成為了一個發展趨勢。
如何實時獲知被欺詐，是 AI 在網際網路金融領域面臨的挑戰
事實上，AI 技術在影像識別、語音識別等領域所發揮的作用早已經有目共睹。而在金融領域，演算法識別的準確率直接與收益掛鉤，所以與其他領域相比，金融領域的 AI 能力堪稱生與死的較量，行業對演算法的要求也更高。
就目前中國的行業環境而言，存在很多欺詐客戶的情況。企業掌握自己是否被欺詐往往是滯後的，而對騙子來說卻是實時的。為了解決這一問題，凡普金科嘗試採用對抗性神經網路偽造一些攻擊資料，以期在與模型的博弈過程中提升模型的防欺詐能力。
在提升演算法模型能力的同時，也要適當的把控輸入資料。資深科學家陳宸回憶到，此前曾有同事誤把事後資料作為參量輸入模型中，導致結果產生了較大的偏差。出現問題時，團隊就需要進行回溯和調查，逐一排查，這個過程也耗費大量的人力。目前來看，水滴已經靠自動識別偽變數的功能，解決了這一難題，並且成功的避免了幾次前端取數失敗和邏輯變更造成的事故。
在凡普金科的實際經驗中，團隊曾發現風險模型的數值突然劇烈上升。經過回溯發現，一些進行其他詐騙活動的使用者，為了不暴露自己的身份，會通過淘寶購買非實名認證的電話卡，並在淘寶售卡商家處進行充值，由於他們從事非法買賣，淘寶上對他們有大量差評和投訴，正是這些資料，導致了風險模型數值異常。
可以發現，該領域面臨的難題還有許多，也正因如此，在金融領域 AI 演算法落地進展的每一步都彌足珍貴。
「我們希望模型有一天可以直接把這些人去掉，而不是出現問題了我們才開始讓分析師回溯原因。」陳宸說道。事實上，由於深度學習演算法的「黑箱」特性，特徵的解釋性往往較弱。不過，隨著智慧化程度的提升，未來人們對特徵的認識也會越來越弱。
目前，錢站的註冊使用者總量大約為 1500 萬。在模型輸入資料的維度較為豐富的情況下，對資料的描述更為全面，輸出結果也會隨之更為準確。
今年 3 月，李開復曾大膽預測，未來十年裡，金融行業 80% 的從業者都將因 AI 而面臨大洗牌。
「通過引入更多的 AI，覆蓋公司全部的決策流程，可以大幅度提升每一個人的工作效率。傳統的網際網路金融需要的分析手段，也逐漸變得自動化、智慧化，對人們工作和思考的方式，也帶來革命性的衝擊。」白洋說道，「不會 AI 的分析師越來越少了。」