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。
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。
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。
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
中国周刊官方微博
官方微信公众号