AI大模型技術與信貸風控的融合日益緊密。
近日，在由21世紀經濟報道主辦、騰訊安全聯合主辦的“金融風控大模型打造動態風險治理體系”閉門研討會上，多家銀行風控部門主管表示正嘗試將AI大模型技術應用在貸前風控、貸后預警等場景。
民生銀行風險管理部總經理趙輝表示，在貸前調查報告，數據審查報告自動化，風險預警精準化，量化交易輔助風險決策，欺詐的監測和防范，智能輔助管理決策等方面，民生銀行都在進行相應的大模型嘗試和探索。
與此同時，多家城商行風控部門人士透露，他們還嘗試使用大模型技術解讀人行征信報告，以此構建新的風控模型降低信用違約率風險。
此外，與會的多家中小銀行也在試水通過大模型技術自動生成企業客戶盡調報告，再由客戶經理審核修改，以此提升工作效率并排除潛在信貸風險隱患。
“盡管AI大模型技術在信貸風控場景的應用日益廣泛，但仍面臨三大急需解決的實際操作挑戰，一是進一步增加數據，二是進一步提升軟硬件支持程度，三是進一步探索能使用大模型的風控應用場景，驅動銀行進一步增加大模型的研發投入。”一位中小銀行風控部門人士向記者指出。
這驅動越來越多銀行等金融機構紛紛嘗試從第三方風控科技平臺引入金融風控大模型。
騰訊安全金融風控產品總經理陳波表示，當前金融機構需擁抱大模型技術的另一個驅動力，是通過大模型技術構建“模型對抗”的新型信貸風控體系，對抗黑灰產的新型欺詐攻擊與客群下沉等新挑戰。
“近年，隨著越來越多金融機構紛紛加大客群下沉力度，其信貸風控體系能否匹配新客群的信用風險特征，面臨著較大挑戰；此外，黑灰產也在使用大量AIGC新科技開展欺詐攻擊，令金融機構務必健全動態風險管理體系。”他指出，原先的信貸風控模型主要以靜態為主，其迭代路徑主要是調整風控策略而不是迭代模型，導致其未必能成功把握動態信貸風險隱患。因此金融機構需要通過大模型技術重塑“模型對抗”的新型信貸風控體系，成功應對黑灰產與客群下沉所帶來的一系列風險挑戰。
清華大學金融信息技術創新聯合研究院專家鄭聳認為，鑒于中小銀行在軟硬件基礎建設、大模型人才儲備、數據積累等方面，與大型銀行相比存在一定劣勢，因此不妨與第三方風控科技平臺合作，通過引入后者的金融風控大模型加快自身風控能力迭代升級步伐，以此更好地應對信貸業務挑戰。
但是，兩者要成功合作，仍需解決諸多挑戰。一是第三方風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范流程保障數據安全與數據保護，從而敢于使用大模型技術提升自身信貸風控能力。
“此外，數據不能出行也是一大挑戰。我們與外部第三方風控科技平臺開展大模型技術合作時，如何解決數據安全性與合規操作新問題，也是急需解決的障礙。”上述中小銀行風控部門人士指出。
大模型急需解決兩大風控瓶頸
記者了解到，多家銀行在大模型技術與信貸風控場景融合方面，已取得某些成效。
“目前我們通過大模型技術自動生成的小微企業盡調報告已比較詳盡準確，且企業財務報表的圖片或表格，與大模型的結合生成效果也不錯。”一位城商行風控部門負責人向記者透露。
此外，一家民營銀行還嘗試通過NLP算法與圖算法，對人行征信報告進行解讀，一下子增加了逾5萬個風險變量，所搭建的風控模型令信用違約率風險降低約20%。
不過，也有銀行遭遇了挑戰。
“我們一直希望通過大模型技術自動生成企業客戶的盡調報告，大幅緩解客戶經理與授信評審員的工作量。但目前實踐下來，大模型在企業財報分析、數據計算等方面仍存在一些不足，但我們認為隨著大模型技術發展，參數模型的不斷迭代，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，當前眾多中小銀行等金融機構迫切希望大模型技術能解決兩大信貸風控瓶頸，分別是樣本量較少、風控迭代速度較慢。
“我們可能需要花費數月時間，才能迭代風控模型，且中小銀行數周所積累的樣本，未必足夠訓練一個風控模型，導致我們有些新產品上線只能采取冷啟動策略，即在缺乏對足夠多樣本進行風控策略訓練的情況下，就直接上線新產品。”一位農商行風控部門主管向記者直言。這令銀行在應對黑灰產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，將欺詐團伙的識別率提升了35%。但是，如今越來越多黑灰產組織也玩起高科技——使用大模型技術批量虛構不同行為特征與信用評級狀況的“偽真人”進行信貸欺詐，不斷尋找銀行現有風控規則的漏洞。一旦被他們發現銀行風控漏洞，他們就會批量生產“容易通過銀行風控審核”的偽真人進行團伙欺詐。
面對黑灰產組織欺詐手段“日新月異”，不同銀行使用大模型技術進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據積累，可以自研金融風控大模型“反制”；相比而言，中小銀行既缺算力數據又缺大模型研發人才團隊，未必能妥善應對黑灰產利用AIGC技術所開展的新型欺詐攻擊。
這位農商行風控部門主管表示，他們曾“硬著頭皮”自研反欺詐風控大模型，但很快遭遇兩大挑戰，一是在技術方面，這個風控大模型的穩定性欠缺，盡管某些新算法與大數據應用提高了針對可疑樣本的相關性洞察，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，這個風控大模型自動生成的某些風控結論“難以解釋”，導致銀行風控團隊不敢貿然使用。
“此外，我們發現金融風控大模型還需具有更好的泛化能力。因為眾多線上零售信貸新產品都是基于較少的樣本量進行研發，很可能被黑灰產組織抓住風控漏洞，所以銀行需要引入泛化能力更強的大模型有效填補這個隱患。”他強調說。
哈爾濱銀行首席風險官孫升學表示，數據質量也是制約大模型結果的根本。因此，強化數據治理、數據整合，挖潛數據資產價值、提升數據驅動經營能力，是中小銀行構建金融科技生態、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據的價值，實現數字化轉型實現“質”的飛躍，同樣是中小銀行高質量發展的“必答題”。
第三方風控大模型應具備三大能力
為了解決大模型技術與風控場景融合的諸多挑戰，越來越多中小銀行等金融機構將目光瞄準“第三方合作”。
“在引入第三方金融風控大模型時，首先我們會采取本地化部署，以此滿足數據不能出行的監管要求，其次我們還在嘗試在本地部署第三方金融風控大模型后，通過自己科技人員進行指令微調測試，以達到風控大模型為我所用的效果。”前述農商行風控部門主管向記者直言。
在陳波看來，第三方金融風控大模型要解決中小銀行信貸風控的諸多新挑戰，需具備三大能力：
一是泛化能力強，由于信貸業務發展速度快，單個場景信貸風控模型訓練一般在使用數月后就會出現模型效果衰退，但是騰訊安全融合海量跨場景風控知識庫，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，確保風控大模型不但與時俱進，還能將效果始終保持在一個較高水準；
二是風控模型迭代速度快，傳統風控模型從搭建、測試、到最終發布上線，需要兩個星期，但當前黑灰產新型欺詐攻擊行為天天“翻新”，金融機構需更短時間完成風控模型迭代上線，因此大模型能有效加快風控模型迭代進程。
三是能有效解決中小金融機構新產品新業務冷啟動所面對的未知風險。
“作為頭部的風控大模型，騰訊云金融風控大模型在這三大領域的應用已相當成熟。”他指出。比如騰訊安全具有豐富的黑灰產對抗經驗，沉淀跨業務場景的多模態風控知識庫，并覆蓋不同業務場景的模型，特征和標簽等，可以對金融機構通過Prompt方式所提供的無標簽樣本或小樣本進行知識抽取，與多模態知識庫做知識融合，再通過強化學習對生成式樣本做模型訓練，令KS值（Kolmogorov-Smirnov，評估模型效果的一種指標）相比傳統小樣本學習算法提升逾20%，
“若能在小樣本基礎上成功提煉出一個行之有效的風控模型，將很大程度解決中小銀行大模型開發人員少，資金預算低，缺乏足夠樣本開展風控建模等瓶頸。”這位農商行風控部門主管向記者指出。此外，第三方金融風控大模型若能加快銀行風控模型迭代步伐，就能更快應對黑灰產組織的新型欺詐攻擊。
記者多方了解到，已有持牌消費金融機構、汽車金融公司、民營銀行、農商行通過引入騰訊云金融風控大模型，要么顯著加快風控模型迭代步伐，要么解決了樣本量較少情況下的新金融產品風控建模瓶頸。
多位中小銀行人士向記者表示，第三方金融風控大模型的成功應用，或許是影響他們銀行高層開展相關合作的最大因素。因為銀行高層對引入第三方金融風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、合規運作。
鄭聳指出，鑒于大模型需要得到強大的算力與數據支持，才能獲得比較好的效果。所以在參數規模不夠大的情況下，大模型的效果很難獲得“質”的突破。因此中小銀行若要在大模型+風控應用方面取得更大突破，應與具有強大算力與數據積累實力的大型科技公司開展合作，突破自身所面臨的算力數據不足瓶頸。
（記者 陳植）
來源：21世紀經濟報道
責任編輯：林紅
請輸入驗證碼