案例名稱

可解釋、可干預、簡單化AI決策模型平臺

案例簡介

魔數智擎-可解釋、可干預、簡單化AI決策模型平臺主要服務于金融機構，針對當前決策AI技術和業務落地脫節以及建模分析效率等難題，從可解釋、可溯源、可干預、業務化和性能等方面著手，為金融機構提供端到端的模型開發及管理一站式解決方案，將決策AI技術賦能到金融機構業務端，幫助數據智能人工智能公司將人工智能建模工作效率提高30~40倍，加速金融機構的數字化轉型。已在頭部大型銀行成功落地，獲得銀行機構的高度認可及推廣。

創新技術/模式應用

可解釋、可干預、簡單化人工智能決策模型平臺是一套已封裝了人工智能算法的標準化軟件，幫助數據智能人工智能公司將人工智能建模工作效率提高30~40倍，輸出結果是模型SDK、規則或代碼，部署到客戶業務系統，其系統幾乎不做任何改變就能實現智能化（具備預測推理能力）。

平臺打通了全生命周期的模型研發及管理全流程，實現從“數據-模型-應用-管理”的端到端、可解釋、可溯源、業務化的AI服務。平臺能夠使得沒有代碼和算法能力的業務人員可以利用最新的機器學習技術來對復雜的商業決策問題進行高效分析，從而破解決策AI技術和業務落地相脫節的行業難題。另外，我們提供的端到端的模型開發和管理解決方案能夠大規模提升模型的產能，比傳統方式會有30-40倍的提升，解決一直制約金融機構大規模應用先進的決策AI技術的建模分析效率低下問題。有效加速金融機構的數字化轉型，提升其數據資產的變現能力。

產品創新點有：

1）產品化程度高：從業務視角進行設計，更貼近業務分析人員使用習慣，無需大量定制化工作，客戶部署成本低。競品基本都是互聯網大廠團隊從純技術和工程化視角來設計，因此在跨行業的業務落地性方面存在問題，且需要大量人工定制。

2）可解釋、可干預：平臺在建模過程是可觀測的，產出的模型以及預測推理結果是白盒，我們擅長人能看懂的Al。同時平臺支持用戶輸入自己的思想和模型和機器PK，對于機器生成的模型人可以調整參數，實現人和Al共成長?；ヂ摼W背景團隊設計產品基本以黑箱模型為主，只關注模型的精度結果，不太關注業務的可解釋性和可干預性。

3）簡單化：把復雜算法和編程工作自動化，無需對建模方法論有深入了解，業務人員點擊鼠標就可以建模，大大降低了建模門檻。競品基本都采用拖拉拽的建模方式，雖然已經降低了代碼能力的要求，但對于業務人員來說還是無法很好使用，原因在于拖拉拽的模式還是需要業務人員具備對建模方法論的詳細了解才能使用。

項目效果評估

平臺聚焦于金融領域，賦能智能風控、精準營銷、智能運營等多種業務場景。如：

1）某大行分行信用卡A卡模型：利用智能數據技術將百萬條客戶的信用卡申請記錄、個人征信、第三方數據等進行特征自動衍生。并利用極速建模技術對數據特征進行建模，自動根據數據挖掘業務歸因邏輯、業務規則，生成業務策略，發現違約客戶的業務特征。人機協作防范信用卡風險、提升A卡風險防控效率。實現：風險區分能力變強，KS值在原基礎上提升1.2%；客戶建模周期縮短至3天；且白盒+可視化技術，提升了對模型的認可度；并將模型同步應用至B卡模型，降低不良。

2）某大行分行信用卡精準營銷獲客模型：項目投產兩周內，某行優質借記卡客戶發卡量比項目投產前兩周增加33.94%，新開信用卡客戶總授信額度比項目投產前兩周增長42.59%。

3）某大行分行的某貸款產品精準營銷模型：針對白名單客戶建立了精準營銷模型，從2020年3月投產后兩周內，與去年同一時間段相比，行內成功放款的貸款合約數增加14%，貸款金額增加651萬元。

4）某大行分行普惠信貸客戶智能營銷模型：選用在分類模型中效果較好的XGBoost模型預測融資需求高的小微企業，模型在測試集中的預測效果為精確率達到39%，召回率為30%，命中率為三成，預計將提高某行普惠信貸客戶轉化率。

項目牽頭人

柴磊

深圳市魔數智擎人工智能有限公司 總經理

項目團隊成員

許靖、徐樂、李永輝、陳茜、劉玉龍、羅渭

責任編輯：韓希宇