人工智能已经酝酿数十年，而今已在各个领域开花结果，比如自动驾驶、人脸识别、医疗等领域。

而在信贷审批领域，如果没有人工智能技术，将无法大规模的发展。

下面的分享，是一本财经学院主办的“三天两夜cro闭门训练营”中，快牛金科cto胡亮分享的节选：人工智能的发展逻辑，以及在信审中的应用。

01 人工智能的应用

每隔半年一年，就会有一些新的科技冒出来。比如随着alphago的出现，人工智能技术进入了公众视野。

alphago战胜了李世石， alphago master战胜了柯洁。但事实上，master之后，又一个版本alphago zero，以89：11的比分，战胜了master。

人工智能在围棋领域实在没有探索的必要了。所以，此领域人士希望把ai的技术能力应用在其它更有意义的领域中去，比如智能医疗、健康中。

其实，人工智能现在已经应用在了很多地方，比如自动驾驶。其中一大玩家google已经利用google街景、地图的数据，做这方面的尝试。而特斯拉是目前在使用上面比较成熟的一家。前不久百度也宣布，要在今年7月量产无人驾驶。

而在很多金融产品中，也都有人脸识别和远程开户的功能。还有刷脸登录，运用比较早的是支付宝的刷脸登录，以及苹果的iphonex，成功率和安全性非常高。

还有智能安防。在高铁、飞机场等人群集中的地方，可以实时捕捉视频里人脸的信息。这些信息和公安部或相关机构后台数据做比对后，用于反恐识别、逃犯追踪都很有效，能形成强大的天网。

除此之外，还有很多如客户、翻译、同声传译等领域的智能化改造。而这背后，本质上都是由于人工智能的技术成熟。

想要了解人工智能，要追溯到人工智能行业的发展中。

02 人工智能的发展史

它起源是在1956年。美国一个叫麦卡锡的学者，召集了一帮在数学和计算机领域的牛人，比如信息论创始人克劳德·香农、现在被誉为人工智能之父的马文·闵斯基。他们开了两个月的会，试图总结出来，什么是人工智能？

那时，距离第一台计算机的发明，只有十几年的时间。人们想弄清楚，计算机能否像人一样智能。

其中希尔伯特的《23个问题》中的一个问题，对此产生了巨大的启示意义。他问，是不是世界上所有的事情、命题、理论都可以写成数学公式？

之后，这成了人工智能尝试的第一个方向。人们试图去建立一套符号体系，把生活中所有的问题都试图用符号体系来进行数据运算。当然这是不太可能的，这套符号体系，发展得越来越复杂，越来越难以理解。

当时，有人觉得只有逻辑不行，还要有知识。所以在七八十年代，又兴起一个新的高潮——建一个专家系统，试图把人们所掌握的知识都装到计算机中，让计算机拥有部分人工智能。

但这系统存在一个致命的问题，就是它不能主动学习。而新知识产生非常快，人工不可能把所有知识灌进去。所以当时又有了一个想法——让机器自主学习。

1986年，反向传播算法的提出让大规模多层神经网络的训练成为可能。一个里程碑事件，就是1997年ibm的深蓝，第一次在国际象棋领域战胜了人类。2012年，imagenet图像识别竞赛，深度卷积神经网络算法的使用，使得图片识别错误率大大降低，人工智能在“看特定的图”这件事上第一次接近了人类。到了2016年，ai已是每个人都耳熟能详的概念。

03 ai在信审中的应用

机器学习，是人工智能发挥的关键。

如何用机器学习来做信审贷款呢？流程分为四个步骤。

第一步，把实际问题抽象为数学问题。

要做一个信贷审批的机器学习模型，首先就要理解实际问题，拿到一批比如年龄、性别、所在地域，收入情况等用户数据，抽象为数学问题。

这就如在市场挑西瓜一样。我们希望买一个甜的，怎么挑呢？无非是看皮，是绿色还是偏白，或者是听声音是否清脆，或者看瓜蒂是否新鲜。根据这些子决策，形成结论。而如果用数据或者学术的方式来看，就可将上述全部数据化。

第二步，做特征筛选，比如纹理有3种情况，清晰、模糊、不模糊。按照是好瓜的概率，越清晰是好瓜的概率越高。纹理对于是否是好瓜有预测性，那这个数据就有价值。除了纹理，再加上根蒂、触感等有价值的数据，就可以做出一个数学模型。

第三步，以什么样的途径去筛选好瓜的概率最大呢？就要训练，最终训练出一个最好的途径。

比如你发现某用户是某些敏感地区的人群，就可能直接拒绝，因为这个地区坏人概率很高。如果是非敏感地区人群，就分多种情况。比如是公务员，涉及一系列决策；如果不是公务员，又是一系列决策。

根据这样一棵树，一个用户进来，可以最终给到是否审批的结论，这就形成一个模型。这棵树在实际应用中，会复杂很多，分支会非常多。不可能手工列出一个模型出来，这就需要依靠机器学习的方式把模型学习出来。

第四步，学习出来之后，就要去评估这个模型的好坏，这就是测试。

判断的方法，有几个常见的方式。第一个是roc曲线，底部横坐标是把坏人放进来的概率。在0.2时，意味着放进来20%的坏人。中间虚线指的是乱猜的。如果模型很靠近这条线，意味着模型跟瞎猜没啥区别。如果模型越靠上、左，或者覆盖的面积越大，模型效果越好。

其中红线、蓝线，红线是训练集上的效果，蓝线是测试集上的效果。好的模型应该是红蓝线很近，甚至重叠。如果差异很大，只是理论上很好，在实践中，会打折扣。

第二种模型是排序能力的判断。

所谓的排序能力，就是知道好坏的程度，比如根据模型得出a和b都可以给放款，那么谁更好？c和d都不能放款，那么哪个更差？

更直观的例子就像芝麻分，从350到950的一个区间，对吧？那么芝麻分它好像是坏呢？很重要一点是要考虑它的排序能力。950的人一定要比750的人好，750的人一定要比700的人要好。如果750分的人放到贷款的位置比800分的人还要更优秀还更低，那它的排序性就不行。

这个应用就是风险决策时，风控策略是收紧，还是放松。如果没有排序能力，就没办法做这个判断。如果有排序能力，要收严，只给分高一点的收就可以了。排序能力，是信贷审批模型中，非常重要的衡量指标。

以上是网络信息转载，信息真实性自行斟酌。