信贷风控中 AI 落地的正确姿势：从规则引擎到智能评分卡

标签：AI应用开发 · 信贷风控 · 机器学习 · 评分卡

一、为什么规则引擎不够用了？

传统信贷风控靠规则引擎 + 专家经验。比如：

"年收入 < 5 万 → 拒"
"近 6 个月逾期次数 > 3 → 拒"
"多头借贷平台数 > 5 → 拒"

这套逻辑过去十年确实够用。但问题越来越明显：

规则膨胀：几百条 if-else 堆在一起，互相冲突，维护成本高到离谱
硬切 vs 软分：规则只能输出过/不过，无法给出"60% 概率会还但风险偏高"这种梯度判断
迭代滞后：新欺诈模式出现后至少要等策略分析师几周才能上线新规则

说白了就是：规则引擎像一个安检员，要么放行要么拦下。智能评分卡像一个老中医，望闻问切之后给个综合评分。

二、评分卡：AI 在风控里最成熟的一招

核心思路

把用户的多个维度（收入、负债、征信、行为）映射成一个分数：

score = w1×收入 + w2×负债比 + w3×征信分 + w4×多头数 + ... + bias

分数越高 → 违约概率越低 → 更容易通过审批。

技术栈

特征工程（SQL/Flink） → 模型训练（XGBoost/LightGBM） → 分数转换（sigmoid → 0~1000） → API 服务（Python/Java）

关键点：

1. 特征分箱（Binning）

别直接用原始值。把"年龄 28 岁"映射成"25-35 岁区间"才有统计意义：

# WOE 编码示例
bins = [18, 25, 35, 45, 55, 100]
labels = ['18-25', '25-35', '35-45', '45-55', '55+']
df['age_bin'] = pd.cut(df['age'], bins=bins, labels=labels)

2. WOE + IV 筛选特征

WOE（Weight of Evidence）：每个分箱对"好坏"的区分能力
IV（Information Value）：整个特征对目标的预测力

# IV < 0.02 → 几乎没用，可以丢掉
# IV 0.02~0.1 → 弱预测力
# IV 0.1~0.3 → 中等预测力
# IV > 0.3 → 强预测力

3. 单调性约束

部分特征在业务上必须是单调的（收入越高→风险越低），模型不能学出反直觉的模式。

三、大模型（LLM）在风控里的真实价值

这是最近一年最热的话题。但说清楚：LLM 不是替代评分卡，是补充评分卡做不了的事。

能力	传统评分卡/ML	LLM
数值型特征打分	✅ 强	❌ 弱（幻觉风险高）
非结构化文本理解	❌ 没法做	✅ 强
可解释性	✅ 分数=加权求和	⚠️ 需额外设计
实时性能	✅ 毫秒级	⚠️ 需优化

LLM 真正能落地的三个场景

场景 1：贷前材料审核

营业执照、银行流水、合同发票——这些非结构化文档传统靠人工审。

用户上传材料 → OCR 提取文本 → LLM 提取关键字段 → 规则引擎/评分卡打分

关键设计：LLM 只负责"提取结构化字段"，不负责"判断过不过"。决策权留在评分卡/规则引擎——避免幻觉风险。

场景 2：反欺诈关联分析

用户填写的"工作单位"和"联系人单位"完全不搭边？联系人都是同一个手机号段？这些模式 LLM 可以辅助判断，但最终交给图算法+规则引擎做关联挖掘。

场景 3：贷后催收策略生成

根据用户逾期天数、还款意愿评分、历史沟通记录，LLM 生成个性化催收话术。这不是评分，是内容生成，LLM 正好擅长。

四、工程落地：AI 应用开发工程师要关注的

1. 模型部署与版本管理

# 评分卡模型上线流程
训练环境 → 模型注册（MLflow/自建） → A/B 测试（灰度 10%流量）→ 全量上线

每个模型版本要有：

训练时间 + 训练数据范围
特征列表（哪些特征、分箱边界）
KS/AUC 指标
上线时间 + 回滚记录

2. 线上推理链路

请求进入 → 特征实时计算（Flink/Redis）→ 模型调用（gRPC/HTTP）→ 分数返回 → 决策 → 落日志

关键设计：

特征计算和模型调用分离，特征做缓存
模型服务超时兜底策略（降级到规则引擎）
所有决策留 trace：谁、什么特征值、模型版本、分数、判定结果

3. 监控和反馈闭环

线上分数分布监控 → 实际逾期率 vs 预期逾期率 → KS 漂移检测 → 触发重训

没有监控的模型像没有仪表盘的车——出问题了你不知道。

五、总结：三条实用建议

先上评分卡，再想 LLM。评分卡成熟、可控、可解释，是信贷风控 AI 化的第一步。LLM 用来解决评分卡解决不了的非结构化问题。
LLM 做提取，不做决策。让 LLM 从文档里提取字段，决策权交给规则引擎 + 评分卡。这是目前最稳妥的分工。
工程化比算法更重要。模型部署、版本管理、监控告警、兜底策略——这些工程能力的缺失是 AI 落地失败的真正瓶颈，不是模型精度不够。

下一篇预告：用 Python 从零手写一个信贷评分卡——数据预处理 → WOE 编码 → 逻辑回归 → 转分数 → API 服务，全部可运行代码。