AI赋能金融风控全场景、轻松实现信贷评分、工程管理和理赔反欺诈！

发布日期：2022-09-16 03:07浏览量：2991次

风险控制能力是金融业必备的核心竞争力，是银行业务健康可持续发展的关键。随着金融业务的线上化发展，金融的欺诈等行为也呈现出专业化、产业化、隐蔽化、跨区域且进化快的新特点，对传统的风控手段形成极大的挑战。面对突入而来的新冠疫情造成的市场流动性冲击，金融行业都积极寻求业务改变，对企业和个人的信贷要求逐渐放松，而这些改变未来也可能带来隐患，甚至出现违约率上升的风险。因此金融行业应建设新一代以“智能风控中台”为核心的全面风控体系来降低不断变化的风险。

智能风控是应用AI技术加强金融领域风险管控的重要手段，利用深度学习算法精准评估金融、租赁、营销等业务风险，能够充分保障金融机构的业务效率和安全性。

在信贷领域，智能风控覆盖贷前、贷中、贷后全流程信贷业务：

贷前：针对获客、身份验证、授信管理等环节助力下游信贷场景对客户进行风险评分与预测；
贷中：通过大数据分析，实现借贷方异常行为预警等风险动态监控与管理；
贷后：识别有逾期征兆或行为的信贷用户，并进行管理、识别和催收。

在金融智能风控中，数据、模型和策略是三个核心要素，而百度的智能风控中台以大数据和云计算为基础，以高精度模型为手段，由策略来驱动，用创新应用来赋能金融服务。通过数字化风险管理和创新技术在金融风控场景的应用，形成实时有效的和动态差异化的全方位线上风险管理核心竞争力，保障金融业务的连续性，满足合规监管要求。

不仅如此，针对以上智能风控全场景，百度飞桨提供了 数据建模 、 时序预测 、 地块变化识别 等一系列AI技术能力。开源开放的模型能力，易于自定义二次开发与快速集成各类系统的模块化设计，以及本地化训练与部署的全面支持，都全方位保障了开发环境与业务数据的安全可控。

百度金融风控的核心技术已被应用于多个头部企业的关键场景中，让我们详细看看~

场景1

信贷场景客户信用评分

客户信用评分在银行和消费金融等各类贷款业务非常重要。过去，信用审批往往依赖客户经理的人工经验，受审批人员主观因素影响较大，且存在潜在的联合欺诈风险。

信用评分卡模型是当前最常见的金融风控手段之一，在银行场景下客户贷前申请、贷中调额、贷后催收等贷款生命周期的主要环节中已经被普遍应用。它主要是根据客户的各种属性和行为数据，建设信用评分模型，基于模型判断是否给予授信以及授信的额度，从而识别和减少金融业务中的交易风险。

在客户信用评分场景中，核心难点在于突发事件如疫情等因素可能带来的模型效果不稳定，往往需要能有效快速进行模型自迭代的完整循环。某大型国有股份制银行已上线飞桨企业版BML全功能AI开发平台的评分卡模型，包含数据处理、分箱和统计、训练、预测评估等部分，并应用到实际业务中，模型上线时间从按月计到按天计，同时可以管理训练的模型量级从个位数到两位数，有效识别存量客户中的潜在涉案账户， 可疑客户识别准确率提高了30% 。

场景2

工程项目信贷风险管理

2019年，房地产消费占我国GDP总量的7%，间接辐射GDP超过20%。而房地产贷款在银行信贷中的占比接近30%，其中房地产开发贷款约占1/4。然而，近年来，随着我国宏观经济增长的放缓，工程贷款逾期的事件频频发生，其中不乏十亿甚至百亿级别的债务逾期或潜在违约。在信贷场景下实现对建筑工程进度及时准确的监测有助于金融机构及时地甄别信用不良的客户，降低贷款逾期风险，从而提升机构的风险管理水平。

遥感对地观测技术可对建筑工程进度进行大范围和长时间的监测。然而，一方面，传统的遥感影像处理高度依赖手动或半自动的解译工作，需要消耗大量人力与时间；另一方面，传统遥感影像自动化处理算法在处理高分辨率遥感影像时难以获得良好的效果。

为了解决这些问题，基于深度学习的遥感影像变化检测技术应运而生。典型的深度学习变化检测算法流程如下图所示。