风控领域一直以来都是金融行业的“命门”，更是高度应用人工智能等前沿技术的领域。近年来，在黑灰产对抗形式严峻的背景下，金融机构风控建模从过往“以年为单位”迭代演进到“以月为单位”迭代。

(资料图片)

“在人口红利封顶及高质量发展的牵引下，金融机构逐渐进入存量精细化运营时代。金融机构的获客方式、风控策略逐渐差异化加大。金融机构对反欺诈的诉求也从通用型服务转化为针对自身场景调优的定制服务为主。” 近日，腾讯云天御首席科学家李超接受界面新闻记者采访时表示。

事实上，金融作为天然的数据密集型行业，又是人工智能应用最早和最普遍的行业，无疑是大模型落地的最佳场景。但金融行业对信息的高精度要求和严苛的数据合规要求，让行业大模型需要贴合自身发展现状在金融场景落地。

在今年7月6日世界人工智能大会上，腾讯云MaaS升级，首次对外发布金融风控大模型。

李超表示，作为金融行业的“命门”，风控基本完成了从人工审核到智能风控的变化。根据168report调查公司数据显示，2019年全球智能风控系统市场规模已经达到了数十亿元，预计到2025年将达到数百亿元。

李超告诉界面新闻记者，贷款业务线上化、数字化以后，人工审批的效率远远不能满足业务发展，于是以机器学习模型为代表的人工智能审核成为金融风控的重要手段和构成部分。

“风控模型就是把专家经验抽象成一系列风控策略集，提升判断风险的效率。譬如欺诈检测模型、准入模型、风险定价模型、额度管理等贯穿金融信贷业务的全生命周期。可以说，风控模型是金融风控体系的技术核心。”他说道。

此外，由于传统的风控模型主要依托于金融机构的历史金融数据和专家经验，呈现出“静态模型+动态策略规则”的特征，即整体风控模型的框架不变，调整具体策略的阈值。“例如以前针对有过三次逾期记录的用户申请不予通过，现在可能因欺诈形势变化调整为有过一次逾期记录的就不予通过。”李超表示，在面临内外部趋势变化下，金融机构不仅要敏捷迭代策略，还要迭代模型本身，构建以“动态模型+动态策略规则”为代表的“模型对抗”能力。

此外，当前黑灰产“拟真人”行为正冲击现有风控体系，该如何应对？李超分析道，当前风控场景中，经常遇到假人假机、假人真机、真人假机的欺诈行为。目前AIGC大火，掀起了新一轮AI应用热潮，不排除黑灰产深度利用AI模拟真人行为，发起金融欺诈。

“而这给金融风控带来巨大的冲击。金融风控体系大部分来自于历史金融数据，用过去行为预测未来行为，但当大量‘拟真人’行为出现，传统的风控策略将逐渐失效。”他表示。

在李超看来，在模型对抗时代，敏捷迭代风控模型将成为大势所趋，但是目前而言，大量金融机构在定制建模场景面临四大痛点。主要为：专业建模人才匮乏、传统建模流程耗时耗力、业务场景面临小样本或零样本难题、缺乏对模型的多维度泛化性评估等几个方面。

李超认为，在金融风控大模型的助力下，企业无需代码操作即可快速随时完成模型迭代。“比如全流程自动化，在建模阶段只需使用少量提示样本，就能自动构建适配机构自身业务独有特点的风控模型，并且实现全流程自动化的部署上线，支持机构持续发布快速集成到自身的风控系统上，助力其风控策略部署效率提升10倍。”

此外，他表示，在某种程度上，金融风控大模型能帮助样本积累有限以及新业务上线“零样本”的企业，高效解决“小样本”训练难题，模型区分度比传统模式提升20%。

在采用相关技术机构的类型上，李超表示，整个金融行业里大概分几个类别，比如银行、消金和互金。互金公司，比如美团、京东这样一些机构科技能力会更强一些，这类公司对于新技术的应用比消金和银行会更早一点。相对来说银行会更晚一点进入新技术应用的时期。

不过据李超介绍，整个银行业已经开始应用机器学习，不再像过去那样使用传统的线下或者评测的手段，已经广泛应用到机器学习模型评分的机制，但是还没有建立起真正敏捷迭代的动态风险管理迭代机制，即当一个风控模型上线之后，不会轻易去更新。

“互金公司，相对来讲会更激进或者更愿意去尝试新的模型。很多互金、消金机构的模型迭代非常快，有些3个月或者1个月就会迭代。”

李超指出，通常而言，大模型主要包含几个特点，包括准确性、稳定性和可操作性。此外，大模型还将应用到智能投顾、智能风控、智能客服、智能保险理赔等方面，还有证券行业最高频的操作——生成研报等相关领域。

（文章来源：界面新闻）