python模型如何部署上线_风控模型上线部署流程

风控业务背景

经过漫长的离线模型设计开发旅程，我们终于迎来了最终的上线部署环节。这同样是一个需要你细心的步骤，也是一个值得规范化的流程。那么这个流程到底是怎样的？

本文主要介绍模型部署(离线+在线)技术方案，以及线上线下一致性比对的注意事项。目录

Part 1. 风控模型部署框架

Part 2. 统一数据源建设

Part 3. 变量一致性比对

Part 4. 模型一致性比对

Part 5. Python部署上线

Part 6. PMML部署上线

Part 7. 总结

致谢

版权声明

参考资料

Part 1. 风控模型部署框架

在《风控模型开发流程标准化》中，我们系统介绍了模型开发流程。但是，真实工作中绝非只是按此流程开发一个模型而已，我们需要和上下游的同学沟通对接。模型同学：根据业务需求，基于离线数据构建风控模型，并负责模型部署、监控、维护等。

策略同学：根据离线预测的模型分数，制订相应的风控策略方案，配置策略包等。

开发同学：支持底层数据源接入、问题排查、上线部署、平台搭建等工作。

通常情况下，风控模型一旦正式上线运行后，将会保持运行至少半年以上。这就要求我们把模型的稳定性、可控性放在第一位。

真实线上环境存在着各种扰动，如数据源API接口调用失败、入模变量被误操作覆盖、客群变化等等，这些因素都会导致风控系统(模型)发生异常，偏移预期而失去控制。这会引起决策失误，最终导致巨大的经济损失。

为了保证第一时间发现线上问题，我们一般会采取各种监控手段。在上线部署过程中，我们主要关注一致性监控，着眼于三个维度：数据层：实时数据与离线数据的字段名、格式、取值等一致。

变量层：在线变量与离线变量的字段名、逻辑、取值等一致。

分数层：模型线上分数与线下分数取值保持一致。图 1 - 风控模型部署框架

模型离线部署通常采取以下步骤：数据准备：生成入模特征变量宽表，以及数据预处理，包括缺失值填充、变量名映射、类型转换等。

模型载入：读取模型pkl文件，载入模型至内存。

打分预测：梳理业务逻辑流程，输入特征变量，对全量申请订单T+1批量预测打分。

一致比对：与建模所用的放贷订单上的预测分数对比&#x