AI賦能金融風控全場景，輕鬆實現信貸評分、工程管理、理賠反欺詐！

場景1： 信貸場景客戶信用評分

客戶信用評分在銀行和消費金融等各類貸款業務非常重要。過去，信用審批往往依賴客戶經理的人工經驗，受審批人員主觀因素影響較大，且存在潛在的聯合欺詐風險。

信用評分卡模型是當前最常見的金融風控手段之一，在銀行場景下客戶貸前申請、貸中調額、貸後催收等貸款生命週期的主要環節中已經被普遍應用。它主要是根據客戶的各種屬性和行為資料，建設信用評分模型，基於模型判斷是否給予授信以及授信的額度，從而識別和減少金融業務中的交易風險。

在客戶信用評分場景中，核心難點在於突發事件如疫情等因素可能帶來的模型效果不穩定，往往需要能有效快速進行模型自迭代的完整迴圈。某大型國有股份制銀行已上線百度BML AI開發平臺提供的評分卡模型，包含資料處理、分箱和統計、訓練、預測評估等部分，並應用到實際業務中，模型上線時間從按月計到按天計，同時可以管理訓練的模型量級從個位數到兩位數，有效識別存量客戶中的潛在涉案賬戶， 可疑客戶識別準確率提高了30% 。

場景2： 工程專案信貸風險管理

2019年，房地產消費佔我國GDP總量的7%，間接輻射GDP超過20%。而房地產貸款在銀行信貸中的佔比接近30%，其中房地產開發貸款約佔1/4。然而，近年來，隨著我國巨集觀經濟增長的放緩，工程貸款逾期的事件頻頻發生，其中不乏十億甚至百億級別的債務逾期或潛在違約。 在信貸場景下實現對建築工程進度及時準確的監測有助於金融機構及時地甄別信用不良的客戶，降低貸款逾期風險，從而提升機構的風險管理水平。

遙感對地觀測技術可對建築工程進度進行大範圍和長時間的監測。然而，一方面，傳統的遙感影像處理高度依賴手動或半自動的解譯工作，需要消耗大量人力與時間；另一方面，傳統遙感影像自動化處理演算法在處理高解析度遙感影像時難以獲得良好的效果。

為了解決這些問題，基於深度學習的遙感影像變化檢測技術應運而生。典型的深度學習變化檢測演算法流程如下圖所示。

基於 飛槳高效能遙感影像處理開發套件PaddleRS ，可以實現對 高解析度遙感影像的預處理 以及對 不同時相間建築物變化快速精準的監測，提取畫素級變化資訊 ，從而達到及時準確跟進建築工程進度的目的。

專案連結：

http://github.com/PaddlePaddle/PaddleRS

場景3： 智慧化車險理賠反欺詐

根據行業資料，中國財產險公司的綜合賠付率均值在60%，而每年保險行業的欺詐損失高達10%-15%，車險是其中的突出領域，因此及時發現和識別欺詐行為是行業迫切需求。隨著“演算法、算力、資料”日漸成熟，AI技術的應用加速了保險業的智慧化轉型之路。

為了降低車險理賠欺詐的風險，某大型國有保險公司藉助百度AI中臺，成功打造理賠欺詐風險預警監控平臺，實現智慧化車險理賠反欺詐。其中，通過搭建反欺詐模型，能夠在報案、查勘、定損、理算等多個環節強力把關，輔助理賠人員有效識別風險，平臺與模型上線不到一年，助力挽回欺詐金額過億元。

為進一步加速金融科技行業人工智慧融合創新與產業落地，百度飛槳聯合百度智慧雲舉辦主題為“乘風而起，AI賦能智慧金融創新發展”的 行業經驗系列分享課程，包含4周系統課程，4大主流場景，10+程式碼全開源的實踐範例 ，邀請行業內專家共同探討科技金融的未來發展，分享產業實踐。

9月13日（週二）將由百度資深產品經理和工程師進行智慧風控線上直播分享，名額有限，感興趣的朋友可掃碼預約課程：

掃碼報名直播課，加入技術交流群

更多精彩搶先看

附：“乘風而起，AI賦能智慧金融創新發展”系列課程海報（如已在前文掃碼入群，則報名成功，無需重複操作）