風控升維提速，人工智慧成最大引擎

危與機的攻防轉換，成為今年金融行業震盪向上突破的主旋律。

疫情衝擊了金融機構的傳統展業方式，信用風險集中爆發，重線下靠人工的獲客、風控、貸後管理模式敗得一塌塗地。不過，危難之中的機遇也愈發清晰，金融機構對依託人工智慧、雲端計算在內的科技化手段認識更深一步，彌補智慧化運營短板成為金融行業的共識。

業內人士透露，春節後持牌消費金融公司等金融機構向數字化轉型轉變。其中，一個比較明顯的趨勢為貸中、貸後藉助人工智慧決策工具處理的業務佔比大幅提升，部分消費金融公司智慧機器人的工作量能佔到九成。

從人工智慧的落地情況來看，移動支付、消費金融是人工智慧最先滲透的場景之一。人工智慧的三駕核心馬車為資料、演算法、算力，資料是人工智慧從實驗室走到具體服務場景的基礎，而移動支付和消費金融背後豐富的應用場景，恰好為人工智慧落地提供了完備的生態土壤。

圖片來源於網路

反之，金融科技領域的人工智慧技術也為銀行、消費金融公司、信託、保險等機構輸出智慧綜合解決方案，優化企業的營銷獲客和風控流程。以薩摩耶數科為例，薩摩耶數科在人工智慧領域研發的自動建模平臺AUTOMAN 1.0，便可以通過模型、策略自動迭代更新，及時識別、掌控未知風險，讓金融樣本處理成為業務決策自動化的一環。

國務院於2017年出《人工智慧發展規劃》，各地政府紛紛加大人工智慧投入力度，人工智慧已成為國家戰略。當前，人工智慧已在金融、汽車、物流等領域應用，產業各方的人工智慧服務方案雛形已成，待技術更加成熟後，滲透率也會隨之增加。

人工智慧的目標是提升產業生產力，最大限度把一個企業從重複性的工作中解放出來。金融行業與人工智慧深度融合，在降本增效的同時必然會重塑金融業，一場以智慧+金融的新格局慢慢成型。

金融需要何種人工智慧？

近三年來，金融科技行業風起雲湧，形成了少量頭部機構與眾多中尾部機構並存的格局。無論是以螞蟻集團、京東數科、360數科為代表的網際網路系巨頭，還是以薩摩耶數科為代表的行業領先的金融科技公司，均研發了大量的人工智慧技術。

就金融機構的需求而言，在急需降低成本的市場環境中，很多機構迫切要用智慧化的科技手段取代勞動密集的人工模式，將人力成本降下來。同時，為提升貸前、貸中、貸後的運營管理效率，金融機構也逐漸從粗放管理向精細化的管理方式轉變。

拿風控來講，傳統金融機構一方面轉型線上，缺少必要的人才、技術支撐；另一方面在面臨信用風險較高的長尾客群時，缺乏使用者全生命週期模型管理經驗。在普惠金融趨勢下，下沉客群又是金融機構受理的客群之一。

這就引申出到底什麼樣的人工智慧與金融機構的需求匹配，或者說什麼樣的人工智慧對於金融機構才真正有價值。

根據金融業務的實際情況，金融機構的需求邏輯主要集中在兩三個方面，其一是必須合規；其二工具能夠“即接即用”，減少對接成本和其他支援費用；其三工具能在短時間內讓金融機構看到效果，並能為金融機構帶來的價值覆蓋技術服務費成本。

按照上述人工智慧服務金融機構的價值導向，行業內確實有一批能為金融機構帶來較大增益、推動風控運營智慧化的工具。在這些人工智慧解決方案中，薩摩耶數科旗下的自動建模平臺——AUTOMAN 1.0可以稱得上是一個典型的樣本。

AUTOMAN 1.0是將人工智慧應用在模型設計領域，使模型開發週期減少50%-70%，最短可在2周內完成樣本建模任務，極大地縮短原始樣本與經營決策的距離，實現整體降本增效。

在風控模型中，KS指標來評估模型的區分度一項核心指標，區分度越大，說明模型的風險排序能力越強。AUTOMAN 1.0在測試環境中，KS值區分度高出人工建模效果0.05個百分點。

具體到風控場景裡，AUTOMAN的樣本研判及處理、最優模型儲存及部署、新樣本預測、模型訓練及調優四大功能，能通過便捷的方式直接接入金融機構的系統中，使得風控模型辨識風險的精準度更高。

值得一提的是，AUTOMAN雖然內建前沿流行演算法，但使用者沒有知識背景也能熟練使用，這背後主要靠AUTOMAN的一鍵建模模式。該模式下，不需要合作機構寫程式碼，按照說明放好樣本就能訓練出可部署呼叫的模型。另外，AUTOMAN還能自動安裝所需環境依賴包，使用者無需再自行設定環境。

模型調優方面，AUTOMAN內建自研究調參演算法，幫助模型開發工程師使用整合工具包提升模型開發效率。 簡單便捷並不意味著效果打折，AUTOMAN在效率與精度、標準化與通用性之中實現平衡，具備低成本、高精度、高效率地實現樣本視覺化的特點。

資料決定AI演算法的精度，演算法精度決定AI產品質量。薩摩耶數科從真實的金融場景入手，不斷提升智慧化模型的精確度，唯有精度高了才能幫助客戶構建智慧化的風控大腦。不只是薩摩耶數科，任何金融科技平臺的人工智慧解決方案都需遵循這一前提。

更新迭代是人工智慧的靈魂

金融企業的人工智慧需求仍存在很大增長空間，若想搶佔市場份額，金融科技企業必須保持更新迭代的創新能力，時刻與金融機構的生產經營環境相適應。

目前，針對企業數字化轉型推出的人工智慧產品種類繁多，但在企業實施落地的過程中出現水土不服，更有甚者效率不升反降。企業應用人工智慧出現負面效應，與人工智慧供應商提供的產品有關，人工智慧產品的實用性和特點不匹配企業的實際需求。

疫情疊加金融週期影響，傳統金融機構的數字化轉型緊迫性越來越強烈，尤其是在需要大量樣本分析處理的風控環節。我國當前的消費金融市場相當一部分客群集中在優級、次優以下，而消費信貸產品又多以小額、分散、線上化為主，複雜的受理環境決定金融機構需要一個能不斷迭代的智慧風控解決方案。

針對AUTOMAN的迭代創新，薩摩耶數科人工智慧團隊負責人表示，目前 AUTOMAN1.5版本已經在內部測試中，而AUTOMAN2.0版本將新增迴歸模式。未來我們還將持續加大研發力度，持續推動人工智慧在金融風控領域的應用。

另外，考慮到外部環境的波動及客群變化，後期薩摩耶數科考慮增加模型自迭代功能，實時應對外部風險的變化。同時，AUTOMAN平臺將實時學習外部前沿演算法及模型優化方法，加入更多外掛。

人類對人工智慧的想象及優化，其實早在18世紀就已開始。當時歐洲有一個堪稱超越人類的Mechanical Turk（土耳其機器人），這個國際象棋遊戲機器人的棋技卓爾不群，聞名歐洲與美洲，拿破崙和本傑明·富蘭克林也不是其對手。機器人發明者去世後真相被揭開，這個機器人裡其實藏著一個被僱來的國際象棋大師。

進入二十一世紀，亞馬遜為了刪除網站上重複的產品，研發了一個人機混合的Amazon Mechanical Turk（亞馬遜土耳其機器人），該人工智慧技術能讓企業通過程式設計尋求遍佈全球的廉價人力資源，去幫助企業做一些類似刪除重複內容、音訊轉錄等勞動密集型工作。

從土耳其機器人到亞馬遜土耳其機器人，可以看出人是人工智慧的核心，一切人工智慧都需要經過人的指導進行反覆演算法訓練，才能智慧且高效地工作。這背後其實有一個很樸素的邏輯，人工智慧的強大必須建立在人才隊伍和科技投入上。

薩摩耶數科能持續更新樣本模型自動化設計平臺AUTOMAN ，也正是源於科研人才儲備和大量的研發成本投入。薩摩耶數科創始人及核心團隊來自華中科大、復旦大學等知名高校，博士、碩士學歷者佔比高，並且均深耕金融科技領域多年，具有豐富的科技創新實戰和網際網路風險管控經驗。

研發技術投入方面，薩摩耶數科研發成本投入一直佔公司總成本費用較高比重。除了AUTOMAN，薩摩耶數科自主研發的“獵戶座”反欺詐模型、“Alpha-S”信貸稽核機器人、DNA信用評分模型、“七劍”專有技術系列矩陣以及“尤拉”獲客渠道監控等金融科技方案。

得益於紮實的科研投入，薩摩耶數科的金融科技解決方案得到大量金融機構的認可。截止2020年9月，薩摩耶數科已與包括商業銀行、消金公司、信託公司和小貸款公司在內的近80家持牌金融機構達成合作，已累計為持牌金融機構輸出了6000多萬使用者。

2017年，麥肯錫釋出《人工智慧：下一個數字前沿？》研究報告，報告採用大量企業經營的資料證實大規模採用人工智慧技術將為企業帶來豐厚回報，而那些未使用人工智慧的傳統企業正在被人工智慧早期使用者遠遠甩在身後。

三年過去了，堅持以人工智慧等金融科技手段驅動業務發展的金融機構，在融資、聲譽、體量、抗週期風險能力上，保持一定的優勢。傳統金融機構數字化轉型過程中，金融科技To B也迎來最硬核的風口。

疫情導致金融行業缺口出現，基於人工智慧的智慧風控科技底層應用會帶領金融行業回補缺口，為金融行業的資產增長注入安全新動能，加強金融機構在展業中的風險抵禦能力，實現業績增長與資產質量齊升。

來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/69969060/viewspace-2723439/，如需轉載，請註明出處，否則將追究法律責任。