AI大模型技術(shù)與信貸風(fēng)控的融合日益緊密。
近日，在由21世紀(jì)經(jīng)濟(jì)報道主辦、騰訊安全聯(lián)合主辦的“金融風(fēng)控大模型打造動態(tài)風(fēng)險治理體系”閉門研討會上，多家銀行風(fēng)控部門主管表示正嘗試將AI大模型技術(shù)應(yīng)用在貸前風(fēng)控、貸后預(yù)警等場景。
民生銀行風(fēng)險管理部總經(jīng)理趙輝表示，在貸前調(diào)查報告，數(shù)據(jù)審查報告自動化，風(fēng)險預(yù)警精準(zhǔn)化，量化交易輔助風(fēng)險決策，欺詐的監(jiān)測和防范，智能輔助管理決策等方面，民生銀行都在進(jìn)行相應(yīng)的大模型嘗試和探索。
與此同時，多家城商行風(fēng)控部門人士透露，他們還嘗試使用大模型技術(shù)解讀人行征信報告，以此構(gòu)建新的風(fēng)控模型降低信用違約率風(fēng)險。
此外，與會的多家中小銀行也在試水通過大模型技術(shù)自動生成企業(yè)客戶盡調(diào)報告，再由客戶經(jīng)理審核修改，以此提升工作效率并排除潛在信貸風(fēng)險隱患。
“盡管AI大模型技術(shù)在信貸風(fēng)控場景的應(yīng)用日益廣泛，但仍面臨三大急需解決的實(shí)際操作挑戰(zhàn)，一是進(jìn)一步增加數(shù)據(jù)，二是進(jìn)一步提升軟硬件支持程度，三是進(jìn)一步探索能使用大模型的風(fēng)控應(yīng)用場景，驅(qū)動銀行進(jìn)一步增加大模型的研發(fā)投入。”一位中小銀行風(fēng)控部門人士向記者指出。
這驅(qū)動越來越多銀行等金融機(jī)構(gòu)紛紛嘗試從第三方風(fēng)控科技平臺引入金融風(fēng)控大模型。
騰訊安全金融風(fēng)控產(chǎn)品總經(jīng)理陳波表示，當(dāng)前金融機(jī)構(gòu)需擁抱大模型技術(shù)的另一個驅(qū)動力，是通過大模型技術(shù)構(gòu)建“模型對抗”的新型信貸風(fēng)控體系，對抗黑灰產(chǎn)的新型欺詐攻擊與客群下沉等新挑戰(zhàn)。
“近年，隨著越來越多金融機(jī)構(gòu)紛紛加大客群下沉力度，其信貸風(fēng)控體系能否匹配新客群的信用風(fēng)險特征，面臨著較大挑戰(zhàn)；此外，黑灰產(chǎn)也在使用大量AIGC新科技開展欺詐攻擊，令金融機(jī)構(gòu)務(wù)必健全動態(tài)風(fēng)險管理體系。”他指出，原先的信貸風(fēng)控模型主要以靜態(tài)為主，其迭代路徑主要是調(diào)整風(fēng)控策略而不是迭代模型，導(dǎo)致其未必能成功把握動態(tài)信貸風(fēng)險隱患。因此金融機(jī)構(gòu)需要通過大模型技術(shù)重塑“模型對抗”的新型信貸風(fēng)控體系，成功應(yīng)對黑灰產(chǎn)與客群下沉所帶來的一系列風(fēng)險挑戰(zhàn)。
清華大學(xué)金融信息技術(shù)創(chuàng)新聯(lián)合研究院專家鄭聳認(rèn)為，鑒于中小銀行在軟硬件基礎(chǔ)建設(shè)、大模型人才儲備、數(shù)據(jù)積累等方面，與大型銀行相比存在一定劣勢，因此不妨與第三方風(fēng)控科技平臺合作，通過引入后者的金融風(fēng)控大模型加快自身風(fēng)控能力迭代升級步伐，以此更好地應(yīng)對信貸業(yè)務(wù)挑戰(zhàn)。
但是，兩者要成功合作，仍需解決諸多挑戰(zhàn)。一是第三方風(fēng)控科技平臺能否解決中小銀行算力不足問題；二是銀行如何做好模型選型工作，參數(shù)量越大的大模型未必效果越好，因此銀行更需找到合適自己且風(fēng)控成效明顯的大模型；三是大模型的幻覺問題（答非所問、胡說八道）能否得到有效解決；四是銀行能否建立一整套規(guī)范流程保障數(shù)據(jù)安全與數(shù)據(jù)保護(hù)，從而敢于使用大模型技術(shù)提升自身信貸風(fēng)控能力。
“此外，數(shù)據(jù)不能出行也是一大挑戰(zhàn)。我們與外部第三方風(fēng)控科技平臺開展大模型技術(shù)合作時，如何解決數(shù)據(jù)安全性與合規(guī)操作新問題，也是急需解決的障礙。”上述中小銀行風(fēng)控部門人士指出。
大模型急需解決兩大風(fēng)控瓶頸
記者了解到，多家銀行在大模型技術(shù)與信貸風(fēng)控場景融合方面，已取得某些成效。
“目前我們通過大模型技術(shù)自動生成的小微企業(yè)盡調(diào)報告已比較詳盡準(zhǔn)確，且企業(yè)財務(wù)報表的圖片或表格，與大模型的結(jié)合生成效果也不錯。”一位城商行風(fēng)控部門負(fù)責(zé)人向記者透露。
此外，一家民營銀行還嘗試通過NLP算法與圖算法，對人行征信報告進(jìn)行解讀，一下子增加了逾5萬個風(fēng)險變量，所搭建的風(fēng)控模型令信用違約率風(fēng)險降低約20%。
不過，也有銀行遭遇了挑戰(zhàn)。
“我們一直希望通過大模型技術(shù)自動生成企業(yè)客戶的盡調(diào)報告，大幅緩解客戶經(jīng)理與授信評審員的工作量。但目前實(shí)踐下來，大模型在企業(yè)財報分析、數(shù)據(jù)計算等方面仍存在一些不足，但我們認(rèn)為隨著大模型技術(shù)發(fā)展，參數(shù)模型的不斷迭代，這些問題都能得到妥善解決。”一位城商行IT部門人士直言。
記者多方了解到，當(dāng)前眾多中小銀行等金融機(jī)構(gòu)迫切希望大模型技術(shù)能解決兩大信貸風(fēng)控瓶頸，分別是樣本量較少、風(fēng)控迭代速度較慢。
“我們可能需要花費(fèi)數(shù)月時間，才能迭代風(fēng)控模型，且中小銀行數(shù)周所積累的樣本，未必足夠訓(xùn)練一個風(fēng)控模型，導(dǎo)致我們有些新產(chǎn)品上線只能采取冷啟動策略，即在缺乏對足夠多樣本進(jìn)行風(fēng)控策略訓(xùn)練的情況下，就直接上線新產(chǎn)品。”一位農(nóng)商行風(fēng)控部門主管向記者直言。這令銀行在應(yīng)對黑灰產(chǎn)組織新型欺詐攻擊方面遭遇較大的壓力。
他直言，以往銀行主要采取模型聚類，比如圖算法等技術(shù)，將欺詐團(tuán)伙的識別率提升了35%。但是，如今越來越多黑灰產(chǎn)組織也玩起高科技——使用大模型技術(shù)批量虛構(gòu)不同行為特征與信用評級狀況的“偽真人”進(jìn)行信貸欺詐，不斷尋找銀行現(xiàn)有風(fēng)控規(guī)則的漏洞。一旦被他們發(fā)現(xiàn)銀行風(fēng)控漏洞，他們就會批量生產(chǎn)“容易通過銀行風(fēng)控審核”的偽真人進(jìn)行團(tuán)伙欺詐。
面對黑灰產(chǎn)組織欺詐手段“日新月異”，不同銀行使用大模型技術(shù)進(jìn)行反制的策略截然不同——大型銀行擁有足夠算力算法儲備與海量數(shù)據(jù)積累，可以自研金融風(fēng)控大模型“反制”；相比而言，中小銀行既缺算力數(shù)據(jù)又缺大模型研發(fā)人才團(tuán)隊(duì)，未必能妥善應(yīng)對黑灰產(chǎn)利用AIGC技術(shù)所開展的新型欺詐攻擊。
這位農(nóng)商行風(fēng)控部門主管表示，他們曾“硬著頭皮”自研反欺詐風(fēng)控大模型，但很快遭遇兩大挑戰(zhàn)，一是在技術(shù)方面，這個風(fēng)控大模型的穩(wěn)定性欠缺，盡管某些新算法與大數(shù)據(jù)應(yīng)用提高了針對可疑樣本的相關(guān)性洞察，但也會帶來過度擬合問題，令大模型一上線就遭遇反欺詐性能衰減；二是在可解釋性方面，這個風(fēng)控大模型自動生成的某些風(fēng)控結(jié)論“難以解釋”，導(dǎo)致銀行風(fēng)控團(tuán)隊(duì)不敢貿(mào)然使用。
“此外，我們發(fā)現(xiàn)金融風(fēng)控大模型還需具有更好的泛化能力。因?yàn)楸姸嗑€上零售信貸新產(chǎn)品都是基于較少的樣本量進(jìn)行研發(fā)，很可能被黑灰產(chǎn)組織抓住風(fēng)控漏洞，所以銀行需要引入泛化能力更強(qiáng)的大模型有效填補(bǔ)這個隱患。”他強(qiáng)調(diào)說。
哈爾濱銀行首席風(fēng)險官孫升學(xué)表示，數(shù)據(jù)質(zhì)量也是制約大模型結(jié)果的根本。因此，強(qiáng)化數(shù)據(jù)治理、數(shù)據(jù)整合，挖潛數(shù)據(jù)資產(chǎn)價值、提升數(shù)據(jù)驅(qū)動經(jīng)營能力，是中小銀行構(gòu)建金融科技生態(tài)、探索大模型落地的必由之路。與此同時，如何挖掘海量金融數(shù)據(jù)的價值，實(shí)現(xiàn)數(shù)字化轉(zhuǎn)型實(shí)現(xiàn)“質(zhì)”的飛躍，同樣是中小銀行高質(zhì)量發(fā)展的“必答題”。
第三方風(fēng)控大模型應(yīng)具備三大能力
為了解決大模型技術(shù)與風(fēng)控場景融合的諸多挑戰(zhàn)，越來越多中小銀行等金融機(jī)構(gòu)將目光瞄準(zhǔn)“第三方合作”。
“在引入第三方金融風(fēng)控大模型時，首先我們會采取本地化部署，以此滿足數(shù)據(jù)不能出行的監(jiān)管要求，其次我們還在嘗試在本地部署第三方金融風(fēng)控大模型后，通過自己科技人員進(jìn)行指令微調(diào)測試，以達(dá)到風(fēng)控大模型為我所用的效果。”前述農(nóng)商行風(fēng)控部門主管向記者直言。
在陳波看來，第三方金融風(fēng)控大模型要解決中小銀行信貸風(fēng)控的諸多新挑戰(zhàn)，需具備三大能力：
一是泛化能力強(qiáng)，由于信貸業(yè)務(wù)發(fā)展速度快，單個場景信貸風(fēng)控模型訓(xùn)練一般在使用數(shù)月后就會出現(xiàn)模型效果衰退，但是騰訊安全融合海量跨場景風(fēng)控知識庫，能夠覆蓋不同類型的欺詐和違約模式，令大模型泛化能力比較強(qiáng)，確保風(fēng)控大模型不但與時俱進(jìn)，還能將效果始終保持在一個較高水準(zhǔn)；
二是風(fēng)控模型迭代速度快，傳統(tǒng)風(fēng)控模型從搭建、測試、到最終發(fā)布上線，需要兩個星期，但當(dāng)前黑灰產(chǎn)新型欺詐攻擊行為天天“翻新”，金融機(jī)構(gòu)需更短時間完成風(fēng)控模型迭代上線，因此大模型能有效加快風(fēng)控模型迭代進(jìn)程。
三是能有效解決中小金融機(jī)構(gòu)新產(chǎn)品新業(yè)務(wù)冷啟動所面對的未知風(fēng)險。
“作為頭部的風(fēng)控大模型，騰訊云金融風(fēng)控大模型在這三大領(lǐng)域的應(yīng)用已相當(dāng)成熟。”他指出。比如騰訊安全具有豐富的黑灰產(chǎn)對抗經(jīng)驗(yàn)，沉淀跨業(yè)務(wù)場景的多模態(tài)風(fēng)控知識庫，并覆蓋不同業(yè)務(wù)場景的模型，特征和標(biāo)簽等，可以對金融機(jī)構(gòu)通過Prompt方式所提供的無標(biāo)簽樣本或小樣本進(jìn)行知識抽取，與多模態(tài)知識庫做知識融合，再通過強(qiáng)化學(xué)習(xí)對生成式樣本做模型訓(xùn)練，令KS值（Kolmogorov-Smirnov，評估模型效果的一種指標(biāo)）相比傳統(tǒng)小樣本學(xué)習(xí)算法提升逾20%，
“若能在小樣本基礎(chǔ)上成功提煉出一個行之有效的風(fēng)控模型，將很大程度解決中小銀行大模型開發(fā)人員少，資金預(yù)算低，缺乏足夠樣本開展風(fēng)控建模等瓶頸。”這位農(nóng)商行風(fēng)控部門主管向記者指出。此外，第三方金融風(fēng)控大模型若能加快銀行風(fēng)控模型迭代步伐，就能更快應(yīng)對黑灰產(chǎn)組織的新型欺詐攻擊。
記者多方了解到，已有持牌消費(fèi)金融機(jī)構(gòu)、汽車金融公司、民營銀行、農(nóng)商行通過引入騰訊云金融風(fēng)控大模型，要么顯著加快風(fēng)控模型迭代步伐，要么解決了樣本量較少情況下的新金融產(chǎn)品風(fēng)控建模瓶頸。
多位中小銀行人士向記者表示，第三方金融風(fēng)控大模型的成功應(yīng)用，或許是影響他們銀行高層開展相關(guān)合作的最大因素。因?yàn)殂y行高層對引入第三方金融風(fēng)控大模型提出了四大要求，分別是性能可靠、成果有效、操作好用、合規(guī)運(yùn)作。
鄭聳指出，鑒于大模型需要得到強(qiáng)大的算力與數(shù)據(jù)支持，才能獲得比較好的效果。所以在參數(shù)規(guī)模不夠大的情況下，大模型的效果很難獲得“質(zhì)”的突破。因此中小銀行若要在大模型+風(fēng)控應(yīng)用方面取得更大突破，應(yīng)與具有強(qiáng)大算力與數(shù)據(jù)積累實(shí)力的大型科技公司開展合作，突破自身所面臨的算力數(shù)據(jù)不足瓶頸。
（記者 陳植）
來源：21世紀(jì)經(jīng)濟(jì)報道
責(zé)任編輯：林紅
請輸入驗(yàn)證碼