AI在智能信贷中的技术应用：定价与反欺诈流程的渗透率最强_布谷新金融

作者：任然 读秒科学决策副总裁

“人工智能”并不是新鲜玩意，它从上个世纪50年代提出后，一直在计算机科学中不断探索进步。近年，随着支持向量机、决策树、神经网络、遗传算法等算法的成熟，更重要的是AI在商业上的成功落地，人工智能的热潮再次来临。

（AI在智能信贷中的应用技术）

为什么是这几年？一是数据的爆炸式增长。二是计算能力的提高。

随着互联网的发展，数据量上百倍、上千倍的翻，模型用到的变量也翻十倍、百倍，计算复杂度更是差乘地增长，但是现在，只要在十秒之内就能完成以前传统银行几周几十人完成的事。

一项报告显示，到2020年，全球每年产生并采集的数据量预计将是2010年的50倍。以读秒的部分数据源为例，其中很重要一部分数据来自于运营商数据、电商数据等。而这些数据很多是近几年才出现、或者才能合法有效使用的。三年前，没有听说过互联网公司利用通话记录来做数据源，即便用户授权你去查他的运营商通话记录，也很难纯粹用技术去完成操作——基本上每个运营商、每个省市，页面都大相径庭，技术很难去像人一样去识别并查询和录入。而每个人通话记录，所包含的数据量和有用信息都非常大。

如何同时做到模型能够快速运行，保证用户体验和信息安全，却又疏而不漏，成功筛选出黑名单用户、可能存在通话地点频繁更换等重要信息。这些记录数据都要识别、归纳和分析，依靠人是不可能的，只能靠模型更聪明、去找更重要的变量，而只有当数据成本越来越低的时候，才可能大规模实现。

（数据在近年来急速增长，主要的数据维度可以被继续分为无数分支）

数据量大增，利用数据的能力更是极速的提升。阿波罗登月用的计算机运算能力不如现在的手机，甚至不如现在的单片机。我查了一个数据说法，阿波罗上面用的导航计算机主频2.048MHz,2048字的RAM,36864字的ROM,现在Casio计算器的主频都有30MHz。航天飞机上的飞控计算机处理速度只有0.4MIPS，不到Xbox处理速度的百分之一AI在数据、计算能力大增的情况下也四处开花，其核心能力，是将原本人工的、手动操作的业务，进行自动的、科学化的替代。

（AI在智能信贷中的基本模型流程）

以零售信贷业务为例。

传统零售信贷的审批流程大约需要1周时间，走完银行零售业务中的一系列流程：客户先申请，跑很多机构递交一些证明性纸质材料，比如住址证明、银行流水等；再做录入；运营部门再做复核；再做审批处理；再做尽职调查和最终审批。

百年来都难以提高效率，因为每个步骤都需要去一步一步通过，所以不论怎么优化，也难以再提高速度。但AI与大数据结合后，能够很好地提升这一阶段的效率，读秒将这个时间缩短到了10秒，未来更快的速度也会被行业其他公司以及读秒自身不断突破。

在信贷授信过程中，AI运用在全流程，包括风险定价、反欺诈、客户行为预测、贷后管理等，而定价与反欺诈流程的AI渗透性最强。风险水平决定信贷定价——如果给低风险的人定价过高，那么低风险者不会有借贷意愿；如果给较高风险者定价过低，逾期可能不足以平衡损失和收益。AI能够帮助预测最佳的用户分层方式。

AI 在反欺诈中也会有很强的应用。

以判定伪报用户的AI手段为例。在审批授信过程中，AI会通过人脸识别与设备指纹来判定用户是否伪报。人脸识别是部分场景的入门一级，当用户进行人脸识别和活体测验时，我们会设置一个通过度，比如只有相似度超过60%才可通过基本测试，不通过者AI会写上相应标签作为风险指标。

验证设备指纹从反欺诈角度也是非常有用的。以前用户在PC上或者说在填写纸质的申请表上是没有所谓的“设备指纹”的，也会错过很多欺诈风险的识别方式。在fintech的智能信贷中，90%以上的客户来自于移动端，每个手机都有自己独一无二的标识、编号等，我们将这些称为设备指纹。由此，AI可以监测到同一个设备发出的指令。同一设备有没有当天来申请多笔？或者不同的申请人使用同一个设备申请？这些设备指纹信息可以作为额外的反欺诈标签被捕捉。

其次，我们还设计了一套风险安全体系，通过异地登陆、设备指纹、GPS、时点、IP地址一些指标，预测用户风险。举一个常见的例子，比如说上午还在北京，然而中午就到美国了，用户是否存在异常的异地登录？这种时候机器会让你做一些额外的核实。虽然当用户出现一些程度上的信息不符时，并不代表100%欺诈，但是它会预测出一个欺诈概率，比如“10%欺诈风险” “60%欺诈风险”，由此对一些高危的行为进行一些管控，有利于预测并及时防范欺诈。

同时，当我们发现某个用户表现一直比较好，比如用户复贷率高且没有任何违约的倾向，AI也会主动给他一些降费率、提额度等奖励，或者通过对他的了解，给他推荐其他最适合的金融服务。

当然，AI也会出错，可以说AI在金融的应用不可能永远100%正确。比如，它预测出来50%的可能性会逾期，但是它实际可能只有40%，而最终表现甚至可能并没有逾期。并不是说人工智能的技术不好，只能说模型多少都会有偏差——AI对未来的预判就是想要不断接近真实。

当年的计算能力将人送上了月球，我们用更高的计算能力不断开发AI技术。应用AI，并不是为了做技术而做技术，而是为了解决实际的难题，找到技术的商业应用。