AI改变金融风控，深度学习技术可以将坏账降低35% | 干货

昨天在风控群内，大家都在讨论平安普惠COO的观点，“在放贷领域，只有0和1的概念，要么借要么不借”，有人说，0和1的概念肯定不适用于贷款审批，信贷审批是多维评判的，没有不能贷的客户，只有不能贷的机制；也有人说，风险定价、风险补偿机制就是用来在0和1之间进行调节的；而大家都认为，这个话题不能一概而论，要根据客户的还款意愿和还款能力去综合考虑。

那么，像信用卡一样，只有0和1概念的企业是不是在风控技术上仍旧偏于落后，现在风控技术发展到了什么阶段？相信大家会在这篇文章中找到答案。

近期，在一次金融科技的分享沙龙上，创新工场人工智能(AI)工程院副院长王咏刚表示，金融领域特别适合应用人工智能，其像搜索引擎一样拥有非常海量的数据。

“我们知道的一家银行，其常用打分卡系统，那个系统是非常复杂的、由人设定的风险防控策略，这家银行现在正在做深度学习切换的测试，比如说一半一半，那一半用传统的做，一半用深度学习做风险防控，然后来比较坏账率的差异，他们正在做内部测试的比较结果是，深度学习这边的风控可以降低35%。”

用钱宝CEO焦可表示，“人工智能在金融领域是特别好的应用，第一金融领域的数据量特别大，人是没有办法做全部评估，但是机器有很强的优势。第二人有主观因素，会疲劳，还有培训，培训起来很多的新人没有经验，你发现传统银行一个产品大概可能半年一年多改一次，我们风控模型每周都会改，机器也会学习，机器也没有道德风险。”

创新工场王咏刚、晨兴资本合伙人程宇、零壹财经CEO柏亮，以及创新工场和晨兴资本投资的现金贷企业用钱宝CEO焦可参加了沙龙。清流消费金融在现场对核心要点做了记录，以分享给读者。

为了保持意思的完整性，清流消费金融对相关内容尽量完整转述，并对重点部分进行加粗。

创新工场王咏刚：人工智能正潜移默化地改变我们的生活

王咏刚：创新工场看的是人工智能方面的投资和孵化，因为一直做技术方面的东西现在又在跟相关项目，所以跟大家分享一下我自己对人工智能的理解，还有对人工智能现在在这个行业里面应用的一些想法。

不知道大家脑子里想的人工智能是什么？前几天那个master下棋，很有名，一共下了60盘棋60比0，我大概看了20多盘，我为什么看？其实还是关心技术，其实关心阿尔法狗到底从去年到现在演进了什么？

你们都用搜索引擎，搜索引擎是一二十年前的技术，一二十年前google就有pagerank，可是搜索引擎里面的技术到底变化没有，发生了什么改变？

我给大家稍微解释一下，曾经的搜索引擎里面排这个结果顺序的时候是按照一个公式排的，这个公式是人定的。

现在的搜索引擎不是这样了，以前不是有很多参数吗？以前不是有公式吗？现在这个公式不见了，你就把这些你能收集到的、你觉得可能影响搜索结果排序的参数丢给电脑，让电脑自己去学习出一个公式来，或者让电脑自己去学习出一个模型来，我们数学上叫模型或者函数，这个函数是怎么构造的模型？怎么构造由电脑来决定，电脑凭什么决定？就凭他学习的好坏来决定，坏就惩罚自己，好就奖励自己。电脑学出一个模型，通常是几千万、上亿的维度。人脑想不过来的这件事电脑可以，电脑可以在非常大的非常深奥的空间里面完成这样的学习任务，学出来的模型特别好的用在了搜索结果的排序里面。

google搜索结果排序质量、百度的排序质量比以前有了很大的提高，外面的人看不到这里面有一个换代性的变化，我们从曾经普通的搜索技术进入到了人工智能的搜索技术，这是一个实实在在的变化，这个体现在每一个手机的主流应用程序里面，如：今日头条是怎么根据你的兴趣把那些消息推送给你的。

人工智能真真实实应用在我们手机的每一个应用程序里，人工智能对我们生活的改变是潜移默化的，不是阿尔法狗这样的需要新闻报道。

创新工场王咏刚：深度学习技术可以将坏账降低35%

王咏刚：比如我们今天是在讨论用钱宝这样一个，基于网上这种应用金融或者互联网金融这样一个小题目上来做。金融领域是特别适合应用人工智能的地方，金融领域就像搜索引擎一样拥有非常海量的数据，各种层面的数据，各种维度的数据，它也像搜索引擎一样有非常客观的评判标准对这种数据的应用结果，也有非常明确落地的场所。

金融领域风险控制叫风控，他们都看到所谓的真正深度学习真正的人工智可以帮助金融领域做这些事，这些事情上传统银行做的相对比较慢。像用钱宝这样新兴的企业创立的时候起，从创新工场考虑投资他们的时候就看到了他们是把技术放在第一位的，放在引领他们这个应用往前走，引领他们模式创新的第一位，人工智能技术或者准确的说，现在的深度学习技术，可以在风控上面发挥非常大的价值。

刚才说的，以前风控是怎么做？人去定规则，人会说这个人收入太低了有风险，人会说，这个人有犯罪记录有风险，甚至会说这个人太玩游戏有风险，但是再这样说你能列出几百个维度？几百个了不得。机器完全是另外一种做法，你就把这些数据给机器，机器怎么处理怎么加工你不用管他，他的学习结果就是你以前积累的大数据，他判断我这个对不对，不对就改进，越学越准。

我们叫黑盒现象，就像阿尔法狗一样，你很难理解他这步棋，他最后结果是一定赢的，这就是阿尔法狗和今天要讲的金融创新之间的关系一样的，他们背后的技术是一样的都是深度学习。

在深度学习这件事上，现在的金融企业、金融应用有非常多的发挥空间。我们跟创新工场的技术团队，跟用钱宝技术团队有非常多的交流，他们在同时的比较非常多不同的学习算法，用于风控的标准算法，他们会发现，实际上已经发现在现有的数据上基于深度学习的模型比所有的传统模型要高出一截的准确率。这件事告诉我们真正的人工智能，真正的深度学习，可能更多的情况下不是出现在普通人脑海里的机器人形象，所谓毁灭人类科幻小说的形象，更多的是实实在在的对手机上每一个应用程序对我们每一次的金融借贷所谓的网上交易一种实实在在的性能提升。

我们考察过一个公司，仅仅在一个银行整个系统里面的金融产品营销这件事上做了一个把原来营销的匹配模型换成了深度学习模型，银行他通过种种渠道发送给客户，这时候有一个效应转化率，银行可以收入这一百块钱帮助广告主投放广告，所有投放广告的产品，实际上我所有的广告费里面你深度学习能够为我带来的增长20%我就干，这是一个非常切实的收入也是非常好的例子。

另一个例子，我们知道的一家银行，其常用打分卡系统，那个系统是非常复杂的、由人设定的风险防控策略，这家银行现在正在做深度学习切换的测试，比如说一半一半，一半用传统的做，一半用深度学习做风险防控，然后来比较坏账率的差异，比较结果是深度学习这边的风控可以降低35%。

用钱宝焦可：我们服务的人群绝大多数没有强特征

焦可：我们实际上做inside这套金融技术，用金融技术去服务一些以前没有被服务到的人群，这个可能是我们很大的价值，接下来我跟大家分享一下我在这块做的事，让大家看看我们做的怎么样。

首先介绍一下市场，这个市场大家可能有点关注，因为很多人问，说什么人会借一千块钱，我前两天看到一篇报道，我们这种新金融公司服务的客户都是传统银行不服务的高危人群，其实12.3亿不是高危人群。其实我们整个业务最大的机会来自于中国跟发达国家相比它的整个金融服务体系是非常弱的，我们知道信用卡4亿张两亿人这样的范围，很多人没有被传统的金融机构服务到，而这些人群其实自己有很多经营需求，比如说很多年轻人，刚才回答那个问题，什么人借一千块钱？很简单就是年轻人，我们讲年轻人月光族，很多人年轻人自己花钱不算，经常花着花着就忘了。这是普遍的年轻人正常的行为习惯。

但是传统的金融是服务不了这些人的。我们原来公司里有个20岁的小孩，跑到银行里去借钱还开了工作证明，都是没办法办信用卡，我们为什么不服务这个人群？当然很多问题，很多朋友简单的总结说这个比较懒效率比较低，这是一方面。

但是我觉得根本性的问题，底层的经营技术其实不支持，我不知道大家有没有在银行工作过，或者办信用卡的经验，大家都知道传统银行他往往怎么做？你提交一个工作流水、工作证明社保或者六个月内或者一个月内水电煤气帐单，让你提供一大堆材料，这个材料每家银行要的差不多，我们叫强迫症的风控，往往依赖几项十几项的特征对人群进行风险，通过一大堆强特征来做筛选，大家想筛选逻辑肯定不是特别有效的，所以大家会发现，金融里面能够服务的人群比较有限。

但是我们面对的人群绝大多数是没有这种强特征的，比如说服务业，比如说餐馆很多从业者是发现金的他提供不了这个流水，也没有社保，这些人基本排除了，但我们有一个观点，这些人不是没有数据，是没有银行要的冰山水面上的数据，这些人在水面下有大量的数据可以使用，有些数据一定是跟用户相关，我们想可不可以不像商业银行这样通过几个强特征断定你，银行他评信用卡的技术是什么？是yes/no，我们想看能不能通过弱特征对人群进行精准定价。大家可以看到市场上的公司很多，绝大多数的一些传统银行的经验往往是采用这种叫做依赖强特征做一个引擎，我们做的方式从底层技术上不太一样。

用钱宝焦可：通过率可以达到5倍，坏账率低40%

焦可：简单介绍一下我们的解决方案，这个产品比较简单，用户定位提到了，应该是覆盖年轻人很重要的需求，这是我们前端，技术很重要。那我们的inside是什么东西？我们整个的人工智能风控分成三部分，第一部分是我们的特征工程+机器学习，第二部分是大数据计算能力，第三部分是整个的业务体系。

我可以这么说，我们公司做这些事情是没有金融经验的人参与的，很多公司说我们应该找一个老司机，但是我们要走一条没有人走过的新路，我们这个业务里正好呈现了相反的态势，我们在整个这套体系搭建里面是没有老司机的，都是一些技术人员用技术手段来解决这个问题。我简单的解释一下，我们发现很多特征完全不在传统风控人的经验里，举个例子我们发现说如果客户的通话行为体现出非常强的单向性，经常给他人打电话别人不回，这种就会比有来有往的用户逾期要高，这是老司机办不到的，即使他能够想到这一点他也很难做定性定量的判断。

刚才王院长提到，其实人能想到的可能很多，但是绝大部分特征，我们说这些特征都是跟逾期率相关的，不相关的很多很多，比如说星座，星座跟逾期有没有关系，其实是没关的，这个其实就是我们很重要的一个工作，首先找到这些人有什么特征。

第二点其实很重要的一点，我们其实是做过很多机器学习的事情，如果用传统的做法就是，人通过多年的经验告诉你什么样的人是好人，什么是坏人，但是你会发现其实我们都在学习，我们是通过每年放了几百笔，到了下一年我看有没有还，我是在学习。

这么一想对了，我们怎么学习，其实我们单月有3万到4万笔的sample回来，有没有还，是逾期还了还是到期还了，大家想想传统银行的网点可能一个月几百笔不错了，这个数据量是完全不一样。我们对应的三万到四万笔每笔都有特征，人是学不过来的，本质上来讲我们是用机器取代了人来去做这种学习。

反过来都是我们的，很有意思，柏老师也提到一点就是规模，我们不太一样的一点，别人都在讲我们放了几个亿我们更多讲的是笔数，同样一个金额我放了10万笔，100万笔，产生的数据不一样，我们更关注的是通过样本来进行学习。大家看到这两个东西好像很好理解，这两页其实也很考我们的能力，本身大家想想人看的话就看死掉了，我们现在一个用户提交以后整个的机器决策只需要8秒钟，我刚才举例星座，把星座扔到模型里做迭代我可以15分钟内知道这个用户，这个特征通过机器来看有没有用，能占多少坏账，早期我们做这件事情要两天，那时候的量值是1%，现在我们量值增加了一百倍。

所以说其实整套是我们在做的一些事情，其实比较好理解，没有那么复杂。找到那些点通过机器的学习看哪些点有用，我们搭了这样一套大数据计算的仪器。大家可能看到跟很多产生的金融公司讲他怎么做风控，其实完全不太一样，回答偌馨刚才的问题，就是说首先结果来看，因为这个我们也会有一些竞品的数据，通过机器来去做这套东西的结果，我们看到竞品的数据，我们的通过率可以达到他们的5倍，同时我的坏账率比他们低40%，我们不仅是风控效果明显提高，通过率也提高，其实人工智能在金融领域是特别好的，比如说数据化程度你的样本，我们也是看到了人工智能在整个的这块领域，第一它的数据量特别大，人是没有办法做的，但是机器有很强的优势。

第二因为人有主观因素，那么可能觉得自己不太安全有他的问题，人会疲劳，还有培训，培训起来很多的新人没有经验，你发现传统银行一个产品大纲可能半年一年多改一次，我们现在每周都会改，机器也会学习，机器也没有道德风险，经常看到市面上什么攻略教学学习哪来的？就是机器告诉你公司是怎么审的，这样的话一千多个特征的人怎么追寻很难找到，机器很快，我们整个实习期间也在做业务，机器在不停的跑，右边举了我们觉得还不错的效果，很重要的是技术典型的问题，我觉得这是一个很重要的点。

那么回到一个业务量上面来讲的话，其实刚才提到大家可以看到我们过去增速是很快的，其实是这样的，刚才柏老师提到说这是一个没有人做的领域，其实我们做这个业务之前很多公司已经做了很多年了，为什么有人问用钱宝一年多做到行业的第一名一百多万单这个量级，是不是他们人胆大？

我们其实更多的依赖是我们刚才谈到的那些技术。大家可以看到我们的增速在这，这个里面很重要的点，很多金融领域容易劣币驱逐良币分散，p2p几千家，现在这个领域也有一些新的player，这个业务领域其实很强大的规模效益。我们现在的业务量是全行业最高的，第一个是我们有更多的样本，上个月有一百万个sample回来，相当于有一百万个material feed回我的model。整个获客成本坏账率都会比别人低，还有更多投入市场。这个月，这个过程是别人没有办法做的，你的样本越多模型风控力越强。

其实在这个业务里面，如果是以技术为核心，这个公司未来的增速会越来越快，这是我们对这个业务的理解。

我觉得我们现在这个业务本身，我自己做的事情是很新的金融技术，我们有一个粗浅的观点，传统金融是少数人金融，如果想改变这一点其实就是需要靠新的金融技术，这家公司真正做的事情是新的金融技术，我们也不太懂这个传统怎么去人工专家的经验，人工学习，我们不想做，我们想做的事情是通过机器告诉我们，机器挖掘，机器学习，机器审核，去服务这些underbank的人群。

刚才也提到这个问题，为什么这些人不服务，这个一定要搞清楚，我们对这个事情的解释是因为传统金融的风控技术不适应这个人群，我们想发展出一套基于这个新金融人群的技术，这个技术上我们提出更多满足这个技术的产品。

我们想服务更多人，我们想让每个人有所求，其实一个互联网公司在比较早期的时候有个原始的冲动，我们觉得一个搜索引擎可以帮助偏远山区的小孩能够像大城市的小孩一样，这是搜索引擎带来的价值，其实我觉得一样，如果我们银行像传统的网点，或者仍然采用那种规则，其实你很难打破现在的框框架架真正解决这个问题，为市场提供更智慧的金融解决方案，让每个人都能享受到这一点，享受到金融的红利，这是我们的想法，好，谢谢大家。