【好風控】大数据时代如何利用风控GPS系统降低汽车金融企业坏账率？
文章来源：haofengkong.com 公号：好风控 转载请联系，盗用必追责！
“好风控，有态度的金融风控平台”
随着社会的进步发展，互联网的全覆盖，信息量暴炸，毋庸置疑，我们已经进入大数据时代。在大数据时代，如何帮助金融车贷企业在巨量信息中提取出有效、核心信息，利用大数据风控提升进件率，降低放款风险，提高企业效益是好风控的使命。
【目前车贷市场分为质押车和GPS车市场】
传统风控的风险点
车辆价值评估失误、GPS安装不合格、备用钥匙遗漏、保险过期等操作风险，没有把握借款人同行负债数据。
eg1：有时候贷款人未还款，贷款公司负责人追踪车辆，却发现GPS已经转移至其他车辆上了，车主已失去联系不见踪影。
eg2：个别贷款人在车内安装屏蔽器，屏蔽GPS信号，不让其上传定位信息，将车辆开至偏远地区，这时候金融公司追车成本高且时效性差，成功率极低。
eg3：骗贷者为了拿到更多的贷款金额，经过多家贷款公司的抵押后，最后销声匿迹。就算追踪到车辆，几家贷款公司争抢这一辆车，损失巨大。甚至有些车辆被倒卖黑车，人车两空。
金融企业催收方式主要依靠上门找车、24小时跟踪还款人等。这些行为不仅人工成本高，效率低下，增加平台的坏账率，还会影响平台的声誉，造成不良影响。贷前审核不严，贷后催收困难是行业的通病。
在P2P行业合规整改的大趋势下，越来越多的平台将车贷资产作为新的业务支撑，但如何控制车贷风险，降低坏账率，提升企业效益一直是一大难题。
什么是好风控？
慧车行科技有限公司成立于2015年9月，是一家专业从事行业软件开发的企业。致力于汽车金融行业CRM系统、ERP系统、风控管理系统、催收系统等相关软件的开发，同时为各类中小企业提供专业信息化解决方案。
好风控是慧车行科技公司风控类产品的一站式服务平台，全面支持反欺诈和贷后追踪管理两大类产品，根据客户实际诉求提供规则配置。
好风控系统依托强大的数据实时处理功能，为金融机构提供个性化场景风控解决方案，提升金融机构企业的风控能力，减少资金与品牌损失，提高企业利润和市场占有率。
慧车行好风控系统基于强大的数据库功能，建立精准风控模型，帮助按揭担保公司更好的识别风险和控制资产，深入用户业务场景，为汽车金融企业定制贷前审核、贷中预警、贷后监控的全流程风控解决方案，并提供全国范围内安装服务以及免费的系统对接服务。
//抵押贷款主要风险点及解决方案//
1、重复抵、质押风控场景：一车多抵、车产变卖
汽车金融企业可以分地点、分停留时长自主设定敏感点围栏，包括二押点、二手车交易市场、黑车交易市场等云端围栏。当抵押车辆进入了敏感点围栏，系统立即发出越界报警。
2、信息欺诈风控场景：本人伪造欺诈、他人伪冒欺诈、团队/中介欺诈、利用无抵押价值车辆骗贷
贷前风险评估，对借款人和车辆分别建立精准信息审核制度；
贷中，大数据风控系统审核客户资料，核实客户信息真实性，给出权威数据，甄别有组织骗贷行为；
贷后车辆监控，利用GPS定位系统轨迹回放、查看停留点判断借款人真实身份 ，系统关联预警，全周期监控借贷风险。
3、逃贷/逾期 风控场景：恶意逾期、恶意逃贷、失联
贷前，利用机器学习算法和大数据展现贷款人更为完整个人信用状况、资产负债情况；
贷中，建立良好的征信体系，将业务与个人信用关联，使得借款人有所顾虑，不敢欠债；
贷后，利用云围栏、征信检测等手段进行风险预警，利用GPS风控系统实时定位，暗访追车。
文章来源：haofengkong.com 更多资讯请关注：好风控 转载请联系，盗用必追责！
责任编辑：
声明：该文观点仅代表作者本人，搜狐号系信息发布平台，搜狐仅提供信息存储空间服务。
今日搜狐热点P2P风控曝信任危机 陆金所受累子公司2.5亿坏账_网易科技
P2P风控曝信任危机 陆金所受累子公司2.5亿坏账
用微信扫码二维码
分享至好友和朋友圈
本报记者 胡金华 上海报道被P2P行业视为标杆的陆金所被曝身陷2.5亿坏账，这一消息令P2P行业的神经再次绷紧。3月11日，消息称陆金所旗下平安国际商业保理（天津）有限公司（下称平安商保）累计有接近4亿借款出现问题，其中与陕西金紫阳农业科技集团有限公司（下称陕西金紫阳集团）的2.5亿借款已到期，平安商保方面不得不启用资金池偿还投资人本息。同时又称陆金所并未对平安商保是否涉及陕西金紫阳集团的债务黑洞以及坏账数据的真实性做正面回应。次日，陆金所正式对外发布公告称，已注意到相关媒体报道，平安商保确有一项应收账款业务目前已进入相关法律程序，但是详情不便透露。该项目由第三方提供担保，投资者权益完全不受影响，并称该项目与陆金所P2P业务无关。截至目前，未有陆金所用户受到任何投资损失。陆金所“躺枪”上海一位P2P资深人士表示，这个行业目前到了“风声鹤唳”的地步，就连国内最大的P2P平台也难逃躺枪的命运。本报记者了解到，作为专业化保理公司，平安商保于日在天津滨海新区成立，由平安集团旗下子公司陆金所设立，经营范围包括，以受让应收账款的方式提供贸易融资；应收账款的收付结算、管理与催收；销售分户（分类）账管理；与本公司业务相关的非商业性坏账担保；客户资信调查与评估；相关咨询服务。2015年2月，平安商保注册资金由7000万元增至2亿元。陕西金紫阳集团是一家集粮食收购、加工、储存、销售和生态养殖于一体的民营企业，拥有物流、面粉、油脂、淀粉、旅游、购销6家分公司和生态养殖、有机农业、渭滨畜牧3家子公司及今怀缘旗舰连锁店，是陕西省大荔县的龙头企业，其注册资本为1.5亿元、总资产4.5亿元、固定资产2.01亿元。实际上，陕西金紫阳集团2014年10月就已经资金链断裂，其董事长韩海被指涉嫌骗取银行贷款8000万元潜逃并于2014年11月被警方抓获。“从公开信息来看，平安商保涉及的2.5亿元借款发生于2014年，只不过现在才被报道出来。这件事本身跟陆金所的项目没有任何关系，至少表面上看没有关系，但陆金所自己出资成立的子公司经营出现风险，作为控股公司拿出真金白银去填补，增资可被视为补救措施。”3月13日，上海一位长期从事经济案件纠纷的律师张斌分析指出。陆金所一边对外澄清，一边在官网上强调自身的互联网金融平台业务一直相当稳健，在风控和管理上遵循严格的流程，该事件不会涉及到投资者的权益。陆金所目前的注册资金已经达到8.37亿元。日，在中国支付清算协会主办的支付清算与互联网金融论坛上，陆金所董事长计葵生当时曾自曝陆金所的年化坏账率在5%-6%。他称P2P产生坏账的最大风险来自于欺诈，只要可控，不会对企业的运营发生影响。本报记者了解到，陆金所2.5亿坏账风波只是一场虚惊，但也折射出P2P行业正在经历成长的烦恼，由于监管缺失、行业发展迅速、平台良莠不齐，P2P行业草木皆兵，任何的风吹草动都会引起市场和投资者的关注。“P2P行业进入风险高发期，很多时候并不是P2P平台本身出事，而是由于其合作的第三方或者关系方出现了相应的风险事件而躺枪，未来这一行业需更注重风控，风控是一家平台的核心竞争力。行业要健康发展，风控是重中之重，同时在行业发展早期，也要给企业多一些空间。”3月13日，上海另外一家专注做互联网小额投融资的平台负责人坦言。P2P坏账的困扰无独有偶，在陆金所子公司传出2.5亿坏账风波的同天，北京一家名为铜板街的互联网金融机构也传出1亿元小额贷款坏账事件，有网络媒体称铜板街因为与一家名为美达小贷公司进行业务合作，后者发生资金链断裂，担保公司又不支付，1亿多的资金要铜板街兜底，而位于杭州的美达小贷则失联了。当日下午，铜板街发出紧急辟谣公告称，网络上出现铜板街出事传言，给广大投资者和关心铜板街的伙伴带来疑虑和困扰，同时声明美达小贷当前在铜板街发售产品的余额为5000万元，相关文章提及的1亿多严重夸大，与事实不符；目前美达小贷并未发生传言所述的失联情况，双方仍旧保持联系；铜板街本着诚信经营、对投资者负责的态度，通过担保、回购、风险准备金等范围内的垫付等手段，共同保障资产安全。本报记者了解到，今年1月，国内评级机构大公国际发布了一份关于互联网金融机构的信用评级报告以及黑名单，多家国内大型P2P机构都榜上有名，直指国内P2P行业的坏账高潮将至，彼时的大公国际称，当前国内P2P平台风控水平堪忧，随着行业发展到了3年危险期，坏账集中爆发，加之企业信息不对称等因素，互联网金融整体评级结果并不理想。
此份评级报告发布后，曾引发P2P行业一片“吐槽”。有P2P行业人士表示，银行会出现坏账率，小贷公司允许一定范围的坏账率，为什么P2P行业就不允许出现一定比例的坏账率呢？“为什么P2P的坏账就会引起市场如此的惊恐？”上海一位长期研究互联网金融的资深人士朱杰认为，这可能还在于P2P是在网络而非实体之间发生的借贷关系，借贷双方都是以小额分散为主，一旦一笔业务逾期，涉及到的投资者就不止一两个人，而是一大群人。此外，P2P行业本身良莠不齐，尽管宣称有担保和严格风控，一旦有企业倒闭或者资金链断裂，个人投资者很难通过向P2P企业追讨的方式保障本金安全。
本文来源：华夏时报
责任编辑：王晓易_NE0011
用微信扫码二维码
分享至好友和朋友圈
加载更多新闻
热门产品:　　　
:　　　　　　　　
:　　　　　　　　　
热门影院：
阅读下一篇
用微信扫描二维码
分享至好友和朋友圈昨天在风控群内，大家都在讨论平安普惠COO的观点，“在放贷领域，只有0和1的概念，要么借要么不借”，有人说，0和1的概念肯定不适用于贷款审批，信贷审批是多维评判的，没有不能贷的客户，只有不能贷的机制；也有人说，风险定价、风险补偿机制就是用来在0和1之间进行调节的；而大家都认为，这个话题不能一概而论，要根据客户的还款意愿和还款能力去综合考虑。
那么，像信用卡一样，只有0和1概念的企业是不是在风控技术上仍旧偏于落后，现在风控技术发展到了什么阶段？相信大家会在这篇文章中找到答案。
近期，在一次金融科技的分享沙龙上，创新工场人工智能(AI)工程院副院长王咏刚表示，金融领域特别适合应用人工智能，其像搜索引擎一样拥有非常海量的数据。
“我们知道的一家银行，其常用打分卡系统，那个系统是非常复杂的、由人设定的风险防控策略，这家银行现在正在做深度学习切换的测试，比如说一半一半，那一半用传统的做，一半用深度学习做风险防控，然后来比较坏账率的差异，他们正在做内部测试的比较结果是，深度学习这边的风控可以降低35%。”
用钱宝CEO焦可表示，“人工智能在金融领域是特别好的应用，第一金融领域的数据量特别大，人是没有办法做全部评估，但是机器有很强的优势。第二人有主观因素，会疲劳，还有培训，培训起来很多的新人没有经验，你发现传统银行一个产品大概可能半年一年多改一次，我们风控模型每周都会改，机器也会学习，机器也没有道德风险。”
创新工场王咏刚、晨兴资本合伙人程宇、零壹财经CEO柏亮，以及创新工场和晨兴资本投资的现金贷企业用钱宝CEO焦可参加了沙龙。清流消费金融在现场对核心要点做了记录，以分享给读者。
为了保持意思的完整性，清流消费金融对相关内容尽量完整转述，并对重点部分进行加粗。
创新工场王咏刚：人工智能正潜移默化地改变我们的生活
王咏刚：创新工场看的是人工智能方面的投资和孵化，因为一直做技术方面的东西现在又在跟相关项目，所以跟大家分享一下我自己对人工智能的理解，还有对人工智能现在在这个行业里面应用的一些想法。
不知道大家脑子里想的人工智能是什么？前几天那个master下棋，很有名，一共下了60盘棋60比0，我大概看了20多盘，我为什么看？其实还是关心技术，其实关心阿尔法狗到底从去年到现在演进了什么？
你们都用搜索引擎，搜索引擎是一二十年前的技术，一二十年前google就有pagerank，可是搜索引擎里面的技术到底变化没有，发生了什么改变？
我给大家稍微解释一下，曾经的搜索引擎里面排这个结果顺序的时候是按照一个公式排的，这个公式是人定的。
现在的搜索引擎不是这样了，以前不是有很多参数吗？以前不是有公式吗？现在这个公式不见了，你就把这些你能收集到的、你觉得可能影响搜索结果排序的参数丢给电脑，让电脑自己去学习出一个公式来，或者让电脑自己去学习出一个模型来，我们数学上叫模型或者函数，这个函数是怎么构造的模型？怎么构造由电脑来决定，电脑凭什么决定？就凭他学习的好坏来决定，坏就惩罚自己，好就奖励自己。电脑学出一个模型，通常是几千万、上亿的维度。人脑想不过来的这件事电脑可以，电脑可以在非常大的非常深奥的空间里面完成这样的学习任务，学出来的模型特别好的用在了搜索结果的排序里面。
google搜索结果排序质量、百度的排序质量比以前有了很大的提高，外面的人看不到这里面有一个换代性的变化，我们从曾经普通的搜索技术进入到了人工智能的搜索技术，这是一个实实在在的变化，这个体现在每一个手机的主流应用程序里面，如：今日头条是怎么根据你的兴趣把那些消息推送给你的。
人工智能真真实实应用在我们手机的每一个应用程序里，人工智能对我们生活的改变是潜移默化的，不是阿尔法狗这样的需要新闻报道。
创新工场王咏刚：深度学习技术可以将坏账降低35%
王咏刚：比如我们今天是在讨论用钱宝这样一个，基于网上这种应用金融或者互联网金融这样一个小题目上来做。金融领域是特别适合应用人工智能的地方，金融领域就像搜索引擎一样拥有非常海量的数据，各种层面的数据，各种维度的数据，它也像搜索引擎一样有非常客观的评判标准对这种数据的应用结果，也有非常明确落地的场所。
金融领域风险控制叫风控，他们都看到所谓的真正深度学习真正的人工智可以帮助金融领域做这些事，这些事情上传统银行做的相对比较慢。像用钱宝这样新兴的企业创立的时候起，从创新工场考虑投资他们的时候就看到了他们是把技术放在第一位的，放在引领他们这个应用往前走，引领他们模式创新的第一位，人工智能技术或者准确的说，现在的深度学习技术，可以在风控上面发挥非常大的价值。
刚才说的，以前风控是怎么做？人去定规则，人会说这个人收入太低了有风险，人会说，这个人有犯罪记录有风险，甚至会说这个人太玩游戏有风险，但是再这样说你能列出几百个维度？几百个了不得。机器完全是另外一种做法，你就把这些数据给机器，机器怎么处理怎么加工你不用管他，他的学习结果就是你以前积累的大数据，他判断我这个对不对，不对就改进，越学越准。
我们叫黑盒现象，就像阿尔法狗一样，你很难理解他这步棋，他最后结果是一定赢的，这就是阿尔法狗和今天要讲的金融创新之间的关系一样的，他们背后的技术是一样的都是深度学习。
在深度学习这件事上，现在的金融企业、金融应用有非常多的发挥空间。我们跟创新工场的技术团队，跟用钱宝技术团队有非常多的交流，他们在同时的比较非常多不同的学习算法，用于风控的标准算法，他们会发现，实际上已经发现在现有的数据上基于深度学习的模型比所有的传统模型要高出一截的准确率。这件事告诉我们真正的人工智能，真正的深度学习，可能更多的情况下不是出现在普通人脑海里的机器人形象，所谓毁灭人类科幻小说的形象，更多的是实实在在的对手机上每一个应用程序对我们每一次的金融借贷所谓的网上交易一种实实在在的性能提升。
我们考察过一个公司，仅仅在一个银行整个系统里面的金融产品营销这件事上做了一个把原来营销的匹配模型换成了深度学习模型，银行他通过种种渠道发送给客户，这时候有一个效应转化率，银行可以收入这一百块钱帮助广告主投放广告，所有投放广告的产品，实际上我所有的广告费里面你深度学习能够为我带来的增长20%我就干，这是一个非常切实的收入也是非常好的例子。
另一个例子，我们知道的一家银行，其常用打分卡系统，那个系统是非常复杂的、由人设定的风险防控策略，这家银行现在正在做深度学习切换的测试，比如说一半一半，一半用传统的做，一半用深度学习做风险防控，然后来比较坏账率的差异，比较结果是深度学习这边的风控可以降低35%。
用钱宝焦可：我们服务的人群绝大多数没有强特征
焦可：我们实际上做inside这套金融技术，用金融技术去服务一些以前没有被服务到的人群，这个可能是我们很大的价值，接下来我跟大家分享一下我在这块做的事，让大家看看我们做的怎么样。
首先介绍一下市场，这个市场大家可能有点关注，因为很多人问，说什么人会借一千块钱，我前两天看到一篇报道，我们这种新金融公司服务的客户都是传统银行不服务的高危人群，其实12.3亿不是高危人群。其实我们整个业务最大的机会来自于中国跟发达国家相比它的整个金融服务体系是非常弱的，我们知道信用卡4亿张两亿人这样的范围，很多人没有被传统的金融机构服务到，而这些人群其实自己有很多经营需求，比如说很多年轻人，刚才回答那个问题，什么人借一千块钱？很简单就是年轻人，我们讲年轻人月光族，很多人年轻人自己花钱不算，经常花着花着就忘了。这是普遍的年轻人正常的行为习惯。
但是传统的金融是服务不了这些人的。我们原来公司里有个20岁的小孩，跑到银行里去借钱还开了工作证明，都是没办法办信用卡，我们为什么不服务这个人群？当然很多问题，很多朋友简单的总结说这个比较懒效率比较低，这是一方面。
但是我觉得根本性的问题，底层的经营技术其实不支持，我不知道大家有没有在银行工作过，或者办信用卡的经验，大家都知道传统银行他往往怎么做？你提交一个工作流水、工作证明社保或者六个月内或者一个月内水电煤气帐单，让你提供一大堆材料，这个材料每家银行要的差不多，我们叫强迫症的风控，往往依赖几项十几项的特征对人群进行风险，通过一大堆强特征来做筛选，大家想筛选逻辑肯定不是特别有效的，所以大家会发现，金融里面能够服务的人群比较有限。
但是我们面对的人群绝大多数是没有这种强特征的，比如说服务业，比如说餐馆很多从业者是发现金的他提供不了这个流水，也没有社保，这些人基本排除了，但我们有一个观点，这些人不是没有数据，是没有银行要的冰山水面上的数据，这些人在水面下有大量的数据可以使用，有些数据一定是跟用户相关，我们想可不可以不像商业银行这样通过几个强特征断定你，银行他评信用卡的技术是什么？是yes/no，我们想看能不能通过弱特征对人群进行精准定价。大家可以看到市场上的公司很多，绝大多数的一些传统银行的经验往往是采用这种叫做依赖强特征做一个引擎，我们做的方式从底层技术上不太一样。
用钱宝焦可：通过率可以达到5倍，坏账率低40%
焦可：简单介绍一下我们的解决方案，这个产品比较简单，用户定位提到了，应该是覆盖年轻人很重要的需求，这是我们前端，技术很重要。那我们的inside是什么东西？我们整个的人工智能风控分成三部分，第一部分是我们的特征工程+机器学习，第二部分是大数据计算能力，第三部分是整个的业务体系。
我可以这么说，我们公司做这些事情是没有金融经验的人参与的，很多公司说我们应该找一个老司机，但是我们要走一条没有人走过的新路，我们这个业务里正好呈现了相反的态势，我们在整个这套体系搭建里面是没有老司机的，都是一些技术人员用技术手段来解决这个问题。我简单的解释一下，我们发现很多特征完全不在传统风控人的经验里，举个例子我们发现说如果客户的通话行为体现出非常强的单向性，经常给他人打电话别人不回，这种就会比有来有往的用户逾期要高，这是老司机办不到的，即使他能够想到这一点他也很难做定性定量的判断。
刚才王院长提到，其实人能想到的可能很多，但是绝大部分特征，我们说这些特征都是跟逾期率相关的，不相关的很多很多，比如说星座，星座跟逾期有没有关系，其实是没关的，这个其实就是我们很重要的一个工作，首先找到这些人有什么特征。
第二点其实很重要的一点，我们其实是做过很多机器学习的事情，如果用传统的做法就是，人通过多年的经验告诉你什么样的人是好人，什么是坏人，但是你会发现其实我们都在学习，我们是通过每年放了几百笔，到了下一年我看有没有还，我是在学习。
这么一想对了，我们怎么学习，其实我们单月有3万到4万笔的sample回来，有没有还，是逾期还了还是到期还了，大家想想传统银行的网点可能一个月几百笔不错了，这个数据量是完全不一样。我们对应的三万到四万笔每笔都有特征，人是学不过来的，本质上来讲我们是用机器取代了人来去做这种学习。
反过来都是我们的，很有意思，柏老师也提到一点就是规模，我们不太一样的一点，别人都在讲我们放了几个亿我们更多讲的是笔数，同样一个金额我放了10万笔，100万笔，产生的数据不一样，我们更关注的是通过样本来进行学习。大家看到这两个东西好像很好理解，这两页其实也很考我们的能力，本身大家想想人看的话就看死掉了，我们现在一个用户提交以后整个的机器决策只需要8秒钟，我刚才举例星座，把星座扔到模型里做迭代我可以15分钟内知道这个用户，这个特征通过机器来看有没有用，能占多少坏账，早期我们做这件事情要两天，那时候的量值是1%，现在我们量值增加了一百倍。
所以说其实整套是我们在做的一些事情，其实比较好理解，没有那么复杂。找到那些点通过机器的学习看哪些点有用，我们搭了这样一套大数据计算的仪器。大家可能看到跟很多产生的金融公司讲他怎么做风控，其实完全不太一样，回答偌馨刚才的问题，就是说首先结果来看，因为这个我们也会有一些竞品的数据，通过机器来去做这套东西的结果，我们看到竞品的数据，我们的通过率可以达到他们的5倍，同时我的坏账率比他们低40%，我们不仅是风控效果明显提高，通过率也提高，其实人工智能在金融领域是特别好的，比如说数据化程度你的样本，我们也是看到了人工智能在整个的这块领域，第一它的数据量特别大，人是没有办法做的，但是机器有很强的优势。
第二因为人有主观因素，那么可能觉得自己不太安全有他的问题，人会疲劳，还有培训，培训起来很多的新人没有经验，你发现传统银行一个产品大纲可能半年一年多改一次，我们现在每周都会改，机器也会学习，机器也没有道德风险，经常看到市面上什么攻略教学学习哪来的？就是机器告诉你公司是怎么审的，这样的话一千多个特征的人怎么追寻很难找到，机器很快，我们整个实习期间也在做业务，机器在不停的跑，右边举了我们觉得还不错的效果，很重要的是技术典型的问题，我觉得这是一个很重要的点。
那么回到一个业务量上面来讲的话，其实刚才提到大家可以看到我们过去增速是很快的，其实是这样的，刚才柏老师提到说这是一个没有人做的领域，其实我们做这个业务之前很多公司已经做了很多年了，为什么有人问用钱宝一年多做到行业的第一名一百多万单这个量级，是不是他们人胆大？
我们其实更多的依赖是我们刚才谈到的那些技术。大家可以看到我们的增速在这，这个里面很重要的点，很多金融领域容易劣币驱逐良币分散，p2p几千家，现在这个领域也有一些新的player，这个业务领域其实很强大的规模效益。我们现在的业务量是全行业最高的，第一个是我们有更多的样本，上个月有一百万个sample回来，相当于有一百万个material feed回我的model。整个获客成本坏账率都会比别人低，还有更多投入市场。这个月，这个过程是别人没有办法做的，你的样本越多模型风控力越强。
其实在这个业务里面，如果是以技术为核心，这个公司未来的增速会越来越快，这是我们对这个业务的理解。
我觉得我们现在这个业务本身，我自己做的事情是很新的金融技术，我们有一个粗浅的观点，传统金融是少数人金融，如果想改变这一点其实就是需要靠新的金融技术，这家公司真正做的事情是新的金融技术，我们也不太懂这个传统怎么去人工专家的经验，人工学习，我们不想做，我们想做的事情是通过机器告诉我们，机器挖掘，机器学习，机器审核，去服务这些underbank的人群。
刚才也提到这个问题，为什么这些人不服务，这个一定要搞清楚，我们对这个事情的解释是因为传统金融的风控技术不适应这个人群，我们想发展出一套基于这个新金融人群的技术，这个技术上我们提出更多满足这个技术的产品。
我们想服务更多人，我们想让每个人有所求，其实一个互联网公司在比较早期的时候有个原始的冲动，我们觉得一个搜索引擎可以帮助偏远山区的小孩能够像大城市的小孩一样，这是搜索引擎带来的价值，其实我觉得一样，如果我们银行像传统的网点，或者仍然采用那种规则，其实你很难打破现在的框框架架真正解决这个问题，为市场提供更智慧的金融解决方案，让每个人都能享受到这一点，享受到金融的红利，这是我们的想法，好，谢谢大家。
醒醒吧！深度学习不是AI的未来
深度学习（Deep Learning），这是一个在近几年火遍各个领域的词汇，似乎所有的算法只要跟它扯上关系，瞬间就显得高大上起来。
在这短短几年时间里，深度学习颠覆了语音识别、图像分类、文本理解...
浅入浅出深度学习理论与实践
向AI转型的程序员都关注了这个号???大数据挖掘DT数据分析
公众号： datadw前言之前在知乎上看到这么一个问题：在实际业务里，在工作中有什么用得到深度学习的例子么？用到 GPU 了么？，回头看...
深度学习在金融领域的应用构想
（本文转自“格物课堂”：http://www.gewuketang.com/archives/494）
从技术角度来看，目前人工智能领域所使用的主要技术就是深度网络，同时辅以某些传统机器学习方法以及...
互联网金融，如何用知识图谱识别欺诈行为
转：http://mp.weixin.qq.com/s?__biz=MjM5MTQzNzU2NA==&mid=&idx=1&sn=aa7ca7f5cebd35338...
我有一种预感：2018年，所有的事情都会发生巨变。我们在2017年看到的深度学习取得的惊人突破将会以一种强大的方式延续到2018年。2017年在深度学习领域的研究成果将会应用于日常的软件应用中。下面是...
近日，蚂蚁金服副总裁兼首席数据科学家漆远博士发表了主题为《金融智能的发展与应用》的演讲。漆远表示，蚂蚁金服今年的两个关键词，一个是“开放”，一个是“AI（人工智能）”。在此次演讲中，漆远从风控系统、智...
随着互联网和大数据技术的引入,&em&风控&/em&变成了一个跨学科的领域,可这无疑是互联网公司里面最同床异梦的跨学科。机器学习,&em&深度学习&/em&,规则推理,随机森林….光这些名词就...
2017快过完了，大家过去一年收获如何？不管怎样，保持好心态，未来不迎，当下不杂，既过不恋。近期准备把过去一年写的文章按照分类重新整理推送一遍，包括：“分布式”、“机器学习”、“深度学习”、“NLP”...
参考书籍《Tensorflow实战Google深度学习框架》郑泽宇等
深度学习最早兴起于图像识别，但是在短短的几年之内，深度学习推广到了机器学习的各个领域，并且都有很出色的表现。具体领...
没有更多推荐了，