“祗看后浪催前浪”，向前金服升级风控技术架构

在云计算和大数据日趋成熟的背景下,机器学习作为人工智能的关键技术得以被广泛应用。近期,向前金服对其大数据智能风控平台“听风者”升级迭代至3.0版本,就主要在核心的审批模型深入应用了机器学习算法,以使风控模型达到更高精度及稳定性。

简单来说,向前金服风控模型本次迭代的大致阶段主要分为三大部分。首先,在数据分析基础上进行变量提取;然后设计并构建模型,输出稳定模型;最后,将模型与相应的风控策略部署至操作系统进行实际应用。

其中,操作系统作为风控平台的底层支撑,以自动化、智能化为目标进行打磨升级,也同步经历了一个优化过程。

自研体系服务升级,复杂模型毫秒响应

从1.0到3.0,向前金服的风控操作系统经历了从借助外力到自主研发的过程。1.0时期第一要求是快速落地,采用已经成熟的体系是务实又高效的选择。而随着团队对于风控模型及其全流程操作的深入理解,自研系统被提上日程。事实上,无论是从企业的运营效率角度考虑,还是为了适应更深层次的智能化策略,自研系统的落地对整个体系来说都是质的提升。

同时,在这次迭代中,“从智能化目标和用户体验的角度出发,我们对操作系统进行了服务升级。”向前金服技术团队风控产品经理韩涛介绍到。

为提高模型精度及使用效率,“听风者”3.0在算法上采用了XGBoost、随机森林等更高级、更主流的机器学习算法。同时,3.0模型要对不同的用户群、不一样的数据变量交叉融合,将多个子模型结合为一个融合模型。

面对复杂度四倍于过往模型的新架构,又不能降低技术体系对响应效率及服务性能的高要求。技术团队对审批模型的部署采用了服务改造的方式,对模型代码进行重构,将之形成高内聚、低耦合、可复用的抽象服务层,最终实现了服务的毫秒级响应,同时也便于服务进行修改和扩展。

搭建完善基础设施,系统架构高配置化

3.0时代,向前金服风控操作系统已经搭建起了完善的支撑体系。其中,最重要的指标为,风控系统实现了高配置化。

从反欺诈系统到审批模型部署,以及资产管理的整个流程,风控系统以高配置化为目标进行了大跨步的提升。也就是说,根据不同业务流程的逻辑梳理,构建规则运算引擎,形成数据服务层,提供实时数据服务。到业务需要之时,便可随时调用。这样,核心基础类的服务功能不需要临时开发,业务人员通过对规则及其运行路径、变量定义等进行配置即可实现使用,避免重复造轮子。整个体系的迭代效率大大提升,系统开发、部署、测试甚至规则调整成本都会进一步降低。

对技术体系来说,最重要的任务是赋能业务。技术不仅仅是业务健康发展的底层基础支撑,更要为之高效运行提供越来越成熟的数字化能力。而向前金服在自研风控操作系统实现高配置化、服务化的基础上,也将遵循技术迭代、成熟、落地的路径,进一步向着深度智能化前进,开拓下一个技术赋能时代。