"导读本次分享聚焦于智能风控领域的生态闭环，在'数据-模型-策略-实验'四个环节形成的闭环中，每个环节又是一个小的生态，也形成各自的闭环，环环相扣。文中将结合奇富科技的业界实践，对智能风控的生态闭环展开深入分析。今天的介绍主要围绕下面六点展开：为什么要打造智能风控生态闭环什么是智能风控生态闭环 ...."

Fork me on GitHub

AIPreacher
AI发布小助手
 大数据 • 0 回帖 • 237 浏览 • 10 个月前

基于“数据-模型-策略-实验”生态闭环的智能风控实践

以下文章来源于 https://zhuanlan.zhihu.com/p/680626074

导读本次分享聚焦于智能风控领域的生态闭环，在"数据-模型-策略-实验"四个环节形成的闭环中，每个环节又是一个小的生态，也形成各自的闭环，环环相扣。文中将结合奇富科技的业界实践，对智能风控的生态闭环展开深入分析。

今天的介绍主要围绕下面六点展开：

为什么要打造智能风控生态闭环
什么是智能风控生态闭环
智能风控生态闭环的四个环节："策略-模型-实验-数据"
基于数据的智能风控框架：以奇富科技毓数平台为例
基于智能风控平台的闭环建设
总结

分享嘉宾｜雷柴卫奇富科技架构师

编辑整理｜Sherry

内容校对｜李瑶

出品社区｜DataFun

01为什么要打造智能生态闭环：生态闭环背景

**风控是互联网金融业务的重中之重：**增长、运营、风控是互联网金融业务（以下简称"互金业务"）最为核心的三个板块，做好这三方面的工作，互金业务才能实现快速、稳定、持久的发展。而风控作为贯穿整个业务周期的板块，互金公司会投入大量人力、资源去完善风险这一板块。从业务流程上看，风控包括了贷前、贷中、贷后完成的业务流程。其中，贷前主要包括信用评分、反欺诈和风险定价，贷中主要包括管制、调额和预警。
**场景的碎片化和融合：**在实际业务中会发现，贷前和贷中有很多碎片化场景。比如信用评分、反欺诈都是很独立的一块，碎片化非常严重，如何将各方面融合使得信贷风险做到最低，是智能风控的探索方向之一。贷前和贷中有各自的侧重点但是也会相互渗透、彼此融合，而且都有在线（online）和离线（offline）的场景，在线和离线的一体化，淡化online和offline的边界，可以使得贷前贷中交易趋同。
**服务沙箱，业务快速试验机制：**在实际业务中，业务和场景需要频繁打样，所以急需快速大批量的试错机制。如果应用平台标准化和快速组装闭环不足，会导致业务试错的响应度和敏捷性有较大的偏差。因此，智能风控需要实现应用平台的标准化，以及在系统中的快速组装，以此提高对业务的响应度和敏捷性。

02什么是智能风控生态闭环

奇富科技在智能风控领域的探索 ：18 年以来，奇富科技开始打造**"毓数平台"** ，实现了数据平台的大升级。依托于**"毓数平台"**的大数据技术能力，在平台集成了各种AI框架，为大规模训练和推理提供了不同层次的工具，包括特征挖掘、数据开发、策略编写和模型开发等，打造了奇富科技的智能风控。
**奇富科技在风控闭环的探索：**奇富科技在 20 年就提出闭环这个概念，经过几年的发展，已经实现了整体闭环的建设，包括策略、反欺诈、特征、AI以及数据的智能场景。在底层数据的支持下，通过AI模型和策略，建立实验平台，将特征、模型、策略，数据串联起来，让业务在具体场景下进行沙箱试错，可以满足 80-90% 的业务需求。简而言之，在数据平台基础上，通过特征、AI 策略、实验实现风控闭环。

03智能风控生态闭环的四个环节"策略-模型-实验-数据"

具体拆解来看，奇富科技主要通过以下 5 个方面实现智能风控闭环。

高并发、高性能的特征服务：
特征变量的异步计算和同步计算。异步计算完毕后无需再同步计算，可以直接使用异步计算的结果。
高效、独立的新增变量补数，面向需求。离线到在线：业务在离线挖掘的特征，可以直接在线配置，在线业务可以直接获取使用。在线到离线：在线使用后，将在线的所有历史特征进行补充，并将其反推给离线。通过独立的补数，实现了在线与离线特征的一致性。
安全、稳定、高效的数据
基于毓数 2.0 高效、安全、稳定的数据，可以实现多人协作、大规模并行的任务同步开发，打造一站式大数据管理、开发、分析平台。
基于价值发现的策略价值
全生命周期的策略管理，包括贷前、贷中、贷后以及反欺诈，都集成在策略引擎平台中。对于业务来说，能够迅速查看大量策略，不仅涵盖了自己的策略，还能在公共策略上进行衍生。
在线、离线一体化的策略引擎：通过将策略分发到离线和在线，实现策略在离线和在线场景下的一致性。
可度量的持续模型
针对在线模型和离线模型的开发与验证进行闭环的建设，实现了模型在线与离线的一致性。因此，在模型上线时，无需再与研发和工程人员反复沟通，模型上线越来越快，且不会存在偏差。
智能化实验分析
智能化分析模型，策略，特征评估体系，包括对模型效果、风险评分、风险定价等各方面影响的评估。
快速、简洁的风控评估体系，从流程到调额，定价等。

04基于数据的智能风控框架

上图是智能风控的架构图，主要包括以下 5 个层次：

应用层：包括信用模型、反欺诈服务、策略引擎、特征服务、实验平台、机器人。
数据/模型：数据包括用户视图和画像、数据仓库，模型包括模式识别、神经网络、回归算法、决策树、社交网络等等。
计算层：提供了各种计算方式，包括离线计算、实时流式、图计算、深度学习等。
存储：各种存储方式在智能风控中均有使用，包括：数据库、分布式文件、NoSQL 等。
采集：是整个平台的基础，为平台提供数据基础。

大数据平台为智能风控的模型开发和大批量离线决策提供了支持。平台也引入了流式计算，满足了风控在大批量跑批过程中高吞吐和实时性的要求。同时，利用知识图谱和深度学习等 AI 技术建立了风险防控和预警体系。风控模型方面，以分布式数据库、图数据库、流式引擎作为基础支撑，为模型的高可用提供了稳定的运行环境。

接下来介绍基于智能风控平台做的闭环建设。

05基于智能风控平台的闭环建设

1. AI 应用闭环

在 20 年前后，我们发现模型上线效率较低，因此提出了建设 AI 应用闭环。

通过 AI 应用闭环的实现，模型上线效率得到了显著提高，上线用时从 1 个月缩短到了目前的小时级别。

在智能风控闭环平台下，打通了在线和离线，将模型验证左移，在离线环境下进行模型的验证，并进行特征闭环（将离线特征和在线特征进行关联，实现特征在线离线一致），关联后进行灰度验证，验证通过后即可进行模型上线。

同时，AI 建模平台也是多元化的，不仅是风控领域，在机器人、投放、运营等众多领域都可以使用。

2. 高效特征开发

拿到数据后，首先是变量配置与管理环节，为特征的抽象与特征的衍生做准备。将无序的特征，根据需要变成有序的值，包括内置衍生维度、自定义衍生维度以及 SQL 衍生。变量配置之后，就要进行真正的衍生，我们采用了多种变量加工方式，包括异步变量加工、实时变量加工、流式变量加工、离线批处理。加工完成后，特征可以作为输入项中，在各类模型和策略中使用，而且不仅仅局限于风控，可以应用到营销等各种场景中。

3. 实时特征处理

实时特征处理包括原始数据输入、预处理、特征组装、存储以及最终的数据输出与应用几个步骤。

数据来源：通过 Kafka、RocketMQ、RPC 实时调用。
预处理：对不同数据源进行抽象，标准化输出供下游进行衍生。包括：数据清洗、数据转换、数据同步、数据融合。
特征组装：SQL 处理（简单转化、分组计算、多表关联）、算子处理（逻辑预算、日期处理、字符串函数）、汇总计算（分布算法、离线、过滤）。
存储：包括 NoSql、MySql、kafka、Hive、API。

4. 一体化的策略引擎

策略引擎包括业务系统、接口层、规则执行、数据存储、服务支撑五大板块。

奇富科技在策略引擎方面也实现了一体化，打通了在线和离线策略引擎和存储。

具体流程为，首先，在策略平台上，完成策略的编辑和策略的配置。然后，在策略引擎中执行，可以实现在线执行和离线执行，离线执行是通过 Spark 去调用实时引擎。最后，执行结果会存在 Hive 或 Kafka 中，并最终存储在在线的 HBase 中。通过策略引擎打通离线与在线，保证了策略在离线和在线中的一致性。

5. 智能化的实验平台