DarwinML自动化规则生成：在金融信贷领域的最佳实践

自动化规则的业务背景

       在许多金融公司的风控介绍中，都说自己用到了人工智能，机器学习，深度学习模型等技术，在人工智能的风口上，但凡讨论点技术问题都得跟AI沾点边，不说自己会点机器学习模型都不好意思出门。但是在生产应用中，人工智能模型，或者说机器学习模型存在着不可解释的问题，在我们公司内部，使用最广的还是规则引擎，目前来说还是没有一个可以完全脱离规则的金融公司。研究规则的自动生成具有其现实的意义，不单单是规则对于人来说易于理解，没有机器学习的门槛那么高，同时规则对于业务人员来说其可控性也是最好的。

       公司的风控后台的规则模块需要支持单条规则，组合规则以及评分规则等基本规则功能。单条和组合规则都是业务人员对数据理解后，抽象出来的数据组合逻辑，在设计过程中，需要对数据进行详尽的分析，测试，模拟等操作。人工规则的生成要经历比较长时间的数据分析过程，同时需要手动的部署到风控引擎上。在这样的业务背景下，我们引入了DarwinML自动化规则生成系统，DarwinML自动化规则生成有效的解决了业务人员设计规则的现实问题：

1. 数据自动分析组合
2. 基于数据的可定量的解释
3. 连接规则引擎，一键部署

       DarwinML自动化规则生成可以帮助我们自动的生成规则。自动对数据进行分析，拆解多个树类模型算法得到其执行路径并转化为可运行的规则，基于DarwinML设计的优化损失函数，对规则的生产进行迭代优化，得到最优的规则集合。其缩短了人工规则的设计过程，提升了规则设计的效率和精确度。

 

DarwinML最佳规则的生成流程

 Step1: 数据导入 在DarwinML平台的数据管理界面，选择上传数据，上传完数据后，平台会给出一些数据清洗的建议，选择特征列和标签列。由于规则的特殊性，可以忽略平台给出的清洗建议，选择“保持不变（KeepAll）”，这样生成规则的变量名与选定数据集的变量名是一致的。