參賽單位：數庫（上海）科技有限公司

案例名稱：數庫金融風控預警解決方案

案例簡介：

以人工智能驅動金融創新：

1、 智能NLP資訊分析

獨有的NLP和機器學習算法，開創了NLP和圖譜相結合在金融領域商業化智能應用的先河。

2、 專有的企業產業圖譜技術和數據

基于數庫獨特的產業鏈體系，生產出專業高效企業圖譜與產業圖譜數據覆蓋。

3、 提升金融風險預警效率

通過算法與數據智能化完善企業畫像提供風險預警支持

4、 成功的金融場景應用落地

以深度的金融行業洞察力以及高度契合垂直場景的功能模塊，打造強勁的商業化應用。

項目背景：

1、 金融機構在大數據、智能化方向FinTech技術持續投入

2、 企業違約風險加大的背景下，凸顯企業風險管理控制的強烈訴求

3、 大數據時代到來，海量信息處理需求

4、 金融機構降低業務成本、提高運營業績及決策效率需要

創新技術/模式應用：

1、 NLP：自然語言處理（NLP）是計算機科學、人工智能和語言學的交叉領域。目的是讓計算機處理或“理解”自然語言。NLP、機器學習和數據挖掘技術運用于數庫資訊產品（資訊解析、自動摘要和知識獲取等）。

2、 機器學習：機器學習通過從數據里提取規則或模式來把數據轉換成信息。主要的方法有歸納學習法和分析學習法。數據首先被預處理，形成特征，然后根據特征創建某種模型。

3、 數據挖掘：數據挖掘(Data Mining)是采用數學的、統計的、人工智能和神經網絡等領域的科學方法，如記憶推理、聚類分析、關聯分析、決策樹、神經網絡、基因算法等技術，從大量數據中挖掘出隱含的、先前未知的、對決策有潛在價值的關系、模式和趨勢,并用這些知識和規則建立用于決策支持的模型，提供預測性決策支持的方法、工具和過程。

4、 搭建全自動資訊解析平臺，實現端到端全方案服務應用模式：整體架構融合了輿情分析、企業圖譜、產業鏈圖譜等數據應用模式，實現了從非結構化數據生產出結構化數據的應用能力。

解決行業哪些痛點：

解決了行業普遍存在的以下問題：

（1） 資訊獲取和維護成本高昂，信息更新不夠及時。

（2） 針對交易標的（如A股）相關資訊、公告數據分布零散，無法聚焦，無法對新聞中涉及的主體和元素進行分類和識別。

（3） 資訊解讀能力差，專業知識要求高。傳統資訊缺乏人工智能手段對新聞進行正確的解讀，導致任務下沉給用戶，一般用戶缺乏專業知識，往往因誤讀而遭受損失。

執行過程及風險控制：

執行過程：

1、 項目啟動：完成用戶需求調研，形成主體輿情算法專項提升、事件主體要素抽取、新聞與行業關聯、新聞與產品關聯、審計師處罰信息抽取、算法服務容器化改造、數據質檢等7大需求。

2、 項目規劃：項目整體規劃時間為5個月，系統架構采用數據采集層、算法引擎層和數據服務層3個架構。

3、 項目執行：搭建采集平臺進行數據采集；搭建算法管理平臺，進行了算法服務容器化改造，建立smarttag智能標簽，輿情分析、企業圖譜、產業鏈圖譜、事件主體等算法模型。

4、 項目監控：執行項目日常進度管理，定期和不定期的專家評估，使用適當的工具和技術來衡量項目績效，以識別和量化任何偏差，并確定適當的糾正措施。

5、 項目結尾：完成企業主體風險監控、輿情監控應用場景、知識庫及語料庫積累、金融事件風險預警體系、企業圖譜及產業圖譜等成果交付。

風險控制：

1、 建立質量保證體系：建立標準化的質量管理計劃和制度，建立項目質量KPI。

2、 建立配置管理體系：配置專職人員，進行版本管理。

3、 建立度量分析體系：創建符合項目實際的軟件度量指標體系。

4、 建立缺陷管理體系：采用專業的缺陷跟蹤管理系統。

5、 成立專家評審制度：引入專家評審機制。

效果評估：

1、 效率提高：傳統分析資訊每天100篇，系統上線后1000篇。

2、 從無到有：傳統方式獲取到的信息比較零散，系統上線后建立完善的企業標簽庫，進行企業畫像，建立了超過50種關系，補充了非結構化輿情信息。

3、 成本降低：傳統方式單人只能監控20家企業，系統上線后，能夠監控100家企業。

4、 風控能力提高：通過圖譜、輿情、事件、主體，獲取更全面的信息。

責任編輯：王超