年初，ChatGPT的的橫空出世引發(fā)一系列AI領(lǐng)域的連鎖反應(yīng)，大模型如何才能和各行業(yè)結(jié)合，解決產(chǎn)業(yè)難題成為各界關(guān)注的焦點問題。金融行業(yè)作為天然數(shù)據(jù)密集型行業(yè)，也是人工智能應(yīng)用最早和最普遍的行業(yè)，加之金融機構(gòu)從高利率高風(fēng)險的運營模式轉(zhuǎn)化為精細化的運營模式，獲客方式、風(fēng)控策略差異化加大，這也導(dǎo)致風(fēng)控領(lǐng)域成為觀察大模型落地的重要場景。

(資料圖)

金融風(fēng)控由“規(guī)則對抗”進入“模型對抗”怎么理解？不同金融機構(gòu)對大模型的接受程度如何？風(fēng)控大模型對于金融機構(gòu)風(fēng)控性能的提升有沒有一些可以量化的指標(biāo)來評判？風(fēng)控大模型是如何嵌入金融機構(gòu)場景的？帶著上述問題，每日經(jīng)濟新聞記者專訪了騰訊云天御首席科學(xué)家李超，以下NBD代表每日經(jīng)濟新聞。

騰訊云天御首席科學(xué)家 李超 受訪者供圖

金融機構(gòu)不僅要敏捷迭代策略，還要迭代模型本身

NBD：金融風(fēng)控由“規(guī)則對抗”進入“模型對抗”是怎么理解的？

李超：“模型應(yīng)用，產(chǎn)業(yè)先行”正在成為大模型應(yīng)用的共識，這在金融行業(yè)體現(xiàn)的尤為明顯。金融行業(yè)作為天然的數(shù)據(jù)密集型行業(yè)，又是人工智能應(yīng)用最早和最普遍的行業(yè)，無疑是大模型落地的最佳場景。但金融行業(yè)對信息的高精度的要求和嚴苛的數(shù)據(jù)合規(guī)要求，讓行業(yè)大模型在金融場景的落地需要貼合自身發(fā)展現(xiàn)狀。

作為金融行業(yè)的“命門”，風(fēng)控基本完成了從人工審核到智能風(fēng)控的變化。由于貸款業(yè)務(wù)線上化、數(shù)字化以后，人工審批的效率遠遠不能滿足業(yè)務(wù)發(fā)展，于是以機器學(xué)習(xí)模型為代表的人工智能審核成為金融風(fēng)控的重要手段和構(gòu)成部分。風(fēng)控模型就是把專家經(jīng)驗抽象成一系列風(fēng)控策略集，提升判斷風(fēng)險的效率。譬如欺詐檢測模型、準(zhǔn)入模型、風(fēng)險定價模型、額度管理等貫穿金融信貸業(yè)務(wù)的全生命周期。可以說，風(fēng)控模型是金融風(fēng)控體系的技術(shù)核心。

傳統(tǒng)的風(fēng)控模型主要依托于金融機構(gòu)的歷史金融數(shù)據(jù)和專家經(jīng)驗，呈現(xiàn)出“靜態(tài)模型+動態(tài)策略規(guī)則”的特征，即整體風(fēng)控模型的框架不變，調(diào)整具體策略的閾值，例如以前針對有過三次逾期記錄的用戶申請不予通過，現(xiàn)在有可能根據(jù)欺詐態(tài)勢調(diào)整為有過一次逾期記錄的才不予通過。但在金融機構(gòu)面臨的內(nèi)外部趨勢變化下，金融機構(gòu)不僅要敏捷迭代策略，還要迭代模型本身，構(gòu)建以“動態(tài)模型+動態(tài)策略規(guī)則”為代表的“模型對抗”能力。

NBD：做大模型要有海量的數(shù)據(jù)，那我們的數(shù)據(jù)來源有哪些？是由金融機構(gòu)授權(quán)后我們再去針對性的建模，還是會有一個普適性的模型去應(yīng)對？

李超：關(guān)于大模型這件事，目前在行業(yè)里邊討論的比較多的是大語言模型（LLMS），就是ChatGPT，也是讓這件事情得到大家更深入的關(guān)注。ChatGPT本身是一個大語言模型，它是無監(jiān)督的自然語言處理分析的模型，用來解決聊天機器人這樣一些場景。

今天我們討論的金融風(fēng)控大模型，依托騰訊云行業(yè)大模型和騰訊安全20多年黑灰產(chǎn)對抗經(jīng)驗沉淀，主要解決的問題并不是偏文本分析的場景，而是關(guān)于金融風(fēng)控的欺詐識別大模型，本身是機器學(xué)習(xí)模型，并不是大語言模型。這個東西在訓(xùn)練的時候，更多應(yīng)用了金融風(fēng)控場景里面特有的風(fēng)控樣本。

我們最早做定制化服務(wù)的時候，其實并沒有通過大模型，也就是基于Foundation model+遷移學(xué)習(xí)的機制，客戶會根據(jù)自身客戶收集的樣本來去構(gòu)建垂直場景的風(fēng)控模型。雖然能夠?qū)崿F(xiàn)定制化的欺詐模式識別，但是在這過程中也發(fā)現(xiàn)通常客戶自身積累的樣本能力和速度是非常局限的，單純用傳統(tǒng)的機器學(xué)習(xí)方式給客戶做模型的構(gòu)建，很難去建設(shè)好既精準(zhǔn)又穩(wěn)定的風(fēng)控模型。

基于我們在人工智能算法不斷的深入研究，開始用到遷移學(xué)習(xí)的機制，逐漸發(fā)展到成為新一代基于大模型的模型對抗范式。它最主要的特點就是能夠根據(jù)過往我們所積累的黑灰產(chǎn)一些樣式和一些模型，把其中有用的知識通過知識蒸餾的方式收取出來，通過技術(shù)的手段，把這些知識形成基礎(chǔ)模型，叫做Foundation model，F(xiàn)oundation model不同于一個通用模型，不需要直接去服務(wù)具體的場景，而是一個知識庫。在這個“知識庫”基礎(chǔ)上，客戶基于一些樣本提示，就能夠靈活地生成適配各個場景和不同金融機構(gòu)的風(fēng)控模型。

大模型助力金融機構(gòu)風(fēng)控建模：反欺詐效果提升20%，建模時間縮短90%

NBD：風(fēng)控大模型對于銀行、消金、互金這些金融機構(gòu)風(fēng)控性能的提升有沒有一些可以量化的指標(biāo)來評判？

李超：客戶通過金融風(fēng)控大模型來構(gòu)建風(fēng)控模型相比傳統(tǒng)的風(fēng)控建模方案，一般會有20%左右的反欺詐效果提升，建模時間也就是從樣本收集、模型訓(xùn)練到部署上線的過程從以前的2周到現(xiàn)在僅需要2天。

另外，大模型讓定制建模變得更加可行。在客戶樣本非常少或者沒有的情況下，我們也能進行定制建模，同時這種定制建模的穩(wěn)定性會比傳統(tǒng)模型更穩(wěn)定、更可用。所以這種大模型的核心價值，更多是使定制建模成為可能。

以某金融客戶為例，建模效率提升60%。該金融機構(gòu)自身渠道和客群變化比較快，客戶的風(fēng)控團隊遵循風(fēng)險動態(tài)治理的風(fēng)控理念，需不斷根據(jù)風(fēng)險的變化迭代風(fēng)控模型。然而基于傳統(tǒng)的專家聯(lián)合建模方式在效率和成本上都難以滿足客戶需求，騰訊云助力該客戶實現(xiàn)了全流程自動化的風(fēng)控建模，模型迭代周期從17天縮短到3天，風(fēng)控模型迭代效率得到了極大的提升。

另外，某銀行客戶在小樣本條件下建模性能提升20.5%，該客戶因業(yè)務(wù)冷啟動階段欺詐樣本積累不足，在風(fēng)控建模階段面臨小樣本訓(xùn)練難題，傳統(tǒng)風(fēng)控建模方式難以滿足客戶對模型性能的要求。使用金融風(fēng)控大模型，客戶基于少量提示樣本就遷移得到適配自身業(yè)務(wù)場景的定制模型，相比于傳統(tǒng)的建模方式模型KS（Kolmogorov-Smirnov，區(qū)分度）性能提升20.5%，在跨場景的泛化性測試上性能提升53%。

NBD：這個模型具體是怎么運作的？怎么嵌入金融機構(gòu)場景的？

李超：我們首先是用一種對抗學(xué)習(xí)的方式把所有模型里面的有用知識抽取出來，再通過知識蒸餾的方式把這些有用的知識融合進一個Foundation model，基于這個大基礎(chǔ)模型就能夠快速生產(chǎn)出來新的模型。

當(dāng)過往的知識越來越多的時候，對于場景樣本的需求就會越來越少。大模型的整個邏輯，就是把過往所有知識全部加工在Foundation model里，這個Foundation model好比一個能夠自動生產(chǎn)模型的機器人，只需要給它小量的場景樣本提示，就能夠生產(chǎn)出來對應(yīng)場景的專屬模型出來。生成的模型既有比較好的場景欺詐識別效果，又具備了通識能力，即模型泛化性。

從金融場景整體來看，目前更多場景是以貸前為主，貸中逐漸多了起來，貸后遇到的相對還是少一些。比較有代表性的是一些消金、互金公司，他們對審批流程做了很精細化的管理之后，在審批流程的很多環(huán)節(jié)都開始應(yīng)用AI建模形式。因此也就有了定制建模的需求，貫穿在客戶風(fēng)險審批整個生命周期，比如反欺詐、客戶分層、撈回、定額、定價，在很多環(huán)節(jié)都可以用大模型定制的方式。

不同金融機構(gòu)的風(fēng)控建模需求和挑戰(zhàn)

NBD：在服務(wù)金融機構(gòu)過程中，比如說銀行、消金、互金，在服務(wù)的過程中，他們對于風(fēng)控大模型的需求有沒有哪些異同點是比較突出的？

李超：以我的經(jīng)驗來看，互金和消金對于新技術(shù)的應(yīng)用比銀行會更早一點，相對來說銀行會更晚進入新技術(shù)應(yīng)用的時期。

目前我們看到的是，整個銀行業(yè)已經(jīng)開始應(yīng)用機器學(xué)習(xí)，不再像過去那樣單一傳統(tǒng)的線下手段或者評測的手段，已經(jīng)廣泛應(yīng)用到機器學(xué)習(xí)模型評分機制，但是很多還沒有建立起真正的敏捷迭代的動態(tài)風(fēng)險管理迭代機制。當(dāng)一個風(fēng)控模型上線之后，不會輕易去進行更新。

互金公司的模型定制化需求是非常旺盛的，更愿意去嘗試新的模型，消金介于銀行和互金之間。很多互金公司、消金公司，他們的模型迭代非常快，有些3個月或者1個月就會迭代。很多互金公司，對不同金融產(chǎn)品不同渠道不同業(yè)務(wù)流程，都會做很多定制化的模型。

最近一年，很多金融機構(gòu)已經(jīng)開始意識到小樣本的問題，他們發(fā)現(xiàn)定制出來的模型很快就會效果衰竭，所以模型需要非常快速的迭代，很大的原因就是小樣本問題。

大模型出來后，很多金融機構(gòu)更愿意使用大模型去構(gòu)建更穩(wěn)定的定制化模型，我們會把泛化能力更強、更廣泛、多樣化的信息給融合在模型里，消金、互金更多會使用大模型機制去實現(xiàn)模型快速迭代。

封面圖片來源：視覺中國-VCG211323198264