当前位置:要闻 > 

科技助力金融进化,阿尔法象银行风控解决方案引领智能化时代

发布时间:2019-07-17 7:42:16

2018年12月13日,中共中央政治局召开会议,确定了2019年我国经济工作主要方向,其中稳金融是战略目标之一,国家普惠中小企业金融政策红利的频出,互联网平台和大型集团企业,上下游中小企业需求旺盛,为金融科技行业赋能企业和银行业,改变中小企业信贷现状,带来更多潜在机遇。

  在产业互联网平台化的背景下,传统金融依托于互联网技术不断创新,在产品研发、用户体验、金融服务等方面都出现了新的变革。同时,传统黑白名单、规则系统等风控解决方案往往只能防范历史性的欺诈活动,很难满足当前金融机构对于风控的需求。

在这样的形势下,阿尔法象人工智能研究院运用大数据智能风控,风控规则模块等技术手段,推出了科技与金融碰撞的一站式智能风控决策系统——银行风控解决方案,基于银行账户系统为核心的交易服务,可以快速切入平台或企业基础交易核心环节,打造为客户提供一站式综合金融的解决方案,优化金融业务中的风控难题。

  阿尔法象人工智能研究院于2018年7月正式成立,联合中国科学院专注于金融科技前沿领域的创新技术研究。目前主要从人工智能、生物识别、智能运维及安全、区块链应用等方向的研究,其中人工智能主要包括信用风控、金融反欺诈、人机互动、知识图谱、用户画像、智能场景应用等方面。

阿尔法象人工智能研究院拥有成熟的平台,行业特定的用户,丰富的数据资源,从金融合作机构业务的准入、审批、贷中、贷后,整个业务过程实时把控风险,旨在缓解金融业务流程中审批流程复杂等一系列问题,进而降低人力沟通成本,提升工作效能,同时将风险降到最低。

  阿尔法象人工智能研究院研发的银行风控解决方案主要对贷前风险进行筛查,包括失信被执行人,多头借贷,外部逾期等情况。通过规则、评分卡及相关机器学习模型识别欺诈风险,并对信用进行评估,从而降低风险。对申请客户在放款之前进行实时的行为监测,以便及时发现用户的异常行为与突发状况,从而减少风险损失。最后,通过催收评分卡及贷后实时监控,对风险用户及时预警,进行提前催收,以减少损失。

多模型匹配算法形成强大的规则匹配算法

阿尔法象银行风控解决方案采用了基于多模式匹配的RETE算法。该算法是一种前向规则快速匹配算法,其匹配速度与规则数目无关 , 算法通过保存操作过程中的状态,避免了大量的重复计算,极大的提高了规则的匹配效率。而算法中的结点共享策略,解决了不同规则之间存有大量相同模式时的匹配问题,从而提高了算法的匹配效率。RETE算法使平台的规则匹配效率提升到毫秒级。

  优秀的底层存储设计,结构化+非结构化数据存储方案

阿尔法象银行风控解决方案采用了Redis+MySQL+MongoDB的技术存储架构,实现了本项目中数据存储和实时计算的需求。使用MongoDB切片的水平动态添加,可在不中断平台业务系统的同时保障扩容后的查询速度和计算效能;依据切片键索引分片,位于各切片独立进行计算,使大数据下的实时计算成为现实。对于高频访问的数据放在了Redis中,有效地降低磁盘I/O,使业务系统响应更为敏捷,满足了高并发下应用服务的高呑吐要求。对于基础数据以及业务数据等事物性数据,我们存放到Mysql中,Mysql运行速度快,占用空间小,相对于其他数据库来说比较简单,价格公道。

自动化数据预处理、智能规则学习

阿尔法象银行风控解决方案提供数据质量问题的检测与纠正,算法健壮。并支持规则的自动化学习,其RIPPER学习算法具有易理解、易优化、高效率等特点。RIPPER算法的主框架分为两个部分:生成规则与优化规则。生成规则部分是一个两层的循环,其中外循环每次生成一条规则修剪后添加到规则库,内循环则是每次为规则增加一个前件;优化部分则是根据规则库里的规则构造备选规则,并使用MDL准则挑选出最佳规则加入规则库。RIPPER算法由于不需要事先建立完整决策树,因此效率比C4.5等要高,复杂度为ο(Nlog2N),并且可以使用很大的数据集。

  互联网金融仍属于技术手段运用于金融的初级阶段,以大数据、人工智能等新技术在金融中的运用才是时代的潮流与主流。在科技的推动下,互联网金融的外延将不断丰富。金融科技的创新运用及金融科技产业的发展使得金融业务更简单、更高效,将是2019年整个金融业发展的主旋律。


来源:贵州网

声明:

1、中国周刊网所有自采新闻(含图片),未经允许不得转载或镜像,授权转载应在授权范围内使用,并注明来源。

2、部分内容转自其他媒体,转载目的在于传递更多信息,并不代表本网赞同其观点和对其真实性负责。

3、如因作品内容、版权和其他问题需要同本网联系的,请在30日内进行。

责任编辑:杨文博

$prenew$
$nextnew$

中国周刊官方微博

官方微信公众号

Top