风险雷达

银行的AI风险控制体系应该如何构建?

2021-08-12 16:22

最近,采访了一位资历比较丰富的风控人员,讨论一下关于AI风控的话题,也请教了一下对方,商业银行如何建立AI风控体系。

   

以下为对方接受采访的原文:

人工智能技术已经初具规模,在我印象里已经有不少企业将人工智能技术落地在专业服务里面,极个别AI风控系统,已经将神经网络、深度学习、随机森林等等AI决策的算法运用到风控技术里面。

 

作为一枚曾经供职于外资的风控人员,现在在AI风控企业里面,我们曾经花费大量精力和时间,着眼于风险控制体系的建设,不知道你能不能想象10年前,20年前,我们风控人员是如何做风控的。

 

当年我们为了观察一家供应商的实际状况,会1个月内跑两三次他们工厂,和工人谈,和财务谈,和老板谈,甚至在离开工厂后,听这些下班人员对公司的评价。

 

有了AI风控后,很多很费时间的流程就省了,比如,我现在用RiskRaider风险雷达了解一家中国的企业,只有几分钟,就能搞清楚这家企业的诉讼风险、舆情风险、失信风险、破产风险等等,监控这些企业后,比如我今晚添加1000家供应商进行监控,第二天早晨,就可以看到AI对这家企业风险评估,提示这家企业是特别预警或其他几个风险评级词汇。

 

最近几年本人私底下也和各大银行的风控、财务、法务来往的较多,也经常讨论AI技术作用于银行的话题,我谈谈自己的看法吧。

银行AI风控面临的挑战:

1、银行各部门之间存在严重的信息壁垒。

 

2、金融领域的数据对用户隐私要求较高。

 

3、数据标注是深度学习和AI这几年发展的必然趋势,当“投喂”的数据越多,效果越好,这也是AI行业最主流的提升效果的方法之一。

 

4、在搭建风控体系过程中,绝不是单靠一个模型、一个单点就可以识别的,否则很难达到真正抵达风险核心、控制全局风险的效果。

 

5、当运营的技术越来越复杂,用到的程序越来越多时,风控的可解释性就是一大挑战,因为当判断一笔交易有风险时需要给出解释。那么,对现有的模型如何在做到复杂度的同时做到比较好的解释性是比较难的。

 

在实际应用过程中,银行的AI风控系统能够帮助银行增加30%左右的“降低成本、增加效率”的效能。

 

以前,银行对于营销活动的损失没多大概念,即便用户流失低于预期,也很难判别到底有多少营销费用到了真正的用户手里,有多少被黑产套走了。

 

针对新型诈骗方法,AI风控产品能帮助金融机构实现风控效果、降低获客成本、以及提升运营效率之间的平衡。

 

从降本增效的角度考虑,AI技术的应用确实可以起到一定的作用。首先在降低获客成本上,如在贷款场景中,客户提交申请到审批的过程中,如需引入外部数据,每调用一次都会产生成本。

 

用AI技术可以做到更精准、更高效的使用这些有成本的环境,这样就能降低获客成本。

 

在“增效”方面,同样以审批环节为例子,传统银行体系需要人工审核,审核人员通常需要看申请表、征信报告、外部数据等很多材料。

 

如果利用图谱技术将这些信息整合到一个页面且以图像化的形式展示出来,把存在的疑点高亮出来提示调查人员,就能减少人工去不同系统调用数据的时间,提高处理效率。

 

AI风控在某种情况下是银行的刚需,AI的优势在于可以24h不间断工作,代替大量人工操作,在数据量庞大,且模型合适的情况下,可以代替部分人为思考,给正在观察的供应商做出风险评估。

 

未来3-5年,机器学习、自然语言处理以及知识图谱等核心技术会有更多场景的落地,会帮助银行建立更加完善的AI风控建设体系,提前预知风险,妥善处理风险造成的灾难性后果。

 

 

 

服务热线

021-68580928

风险雷达微信二维码

风险雷达公众号

姓名*
手机*
公司*
职务
邮箱