3.2.2　模型部署

在智能風(fēng)控時(shí)代，搭建和運(yùn)用模型的能力越來(lái)越重要，因而一個(gè)成熟的決策引擎一定是可以支持多種模型的導(dǎo)入和部署的。在風(fēng)險(xiǎn)管理場(chǎng)景中，最常見(jiàn)的模型是評(píng)分卡模型和機(jī)器學(xué)習(xí)模型，它們的部署方式也不盡相同。

（1）評(píng)分卡模型部署

評(píng)分卡模型的部署相對(duì)較為簡(jiǎn)單，只需要在決策引擎中選擇最終入模的標(biāo)簽，同時(shí)設(shè)置每個(gè)標(biāo)簽的分箱及對(duì)應(yīng)的分?jǐn)?shù)，這樣對(duì)于每一個(gè)借款人的申請(qǐng)，決策引擎都可以實(shí)時(shí)計(jì)算出該客戶的評(píng)分，并且將模型分?jǐn)?shù)作為一條規(guī)則。與規(guī)則集類似，由于整個(gè)風(fēng)險(xiǎn)管理流程中會(huì)涉及多張?jiān)u分卡，因而需要注明每個(gè)評(píng)分卡的名稱、有效時(shí)間、當(dāng)前狀態(tài)等，方便評(píng)分卡模型的統(tǒng)一管理。

（2）機(jī)器學(xué)習(xí)模型部署

隨著智能風(fēng)控技術(shù)的發(fā)展，很多頭部互聯(lián)網(wǎng)金融機(jī)構(gòu)早已不局限于傳統(tǒng)的評(píng)分卡模型，而是開(kāi)始大規(guī)模地使用機(jī)器學(xué)習(xí)技術(shù)來(lái)搭建模型。與評(píng)分卡模型相比，機(jī)器學(xué)習(xí)模型的入模變量更多，且不再是變量之間加權(quán)和的線性關(guān)系，而是一種非線性關(guān)系，因而普通的模型部署功能已經(jīng)不再適用于復(fù)雜模型部署的需求。目前比較好的解決方案是在決策引擎中支持PMML文件的導(dǎo)入。PMML（Predictive Model Markup Language，全稱預(yù)測(cè)模型標(biāo)記語(yǔ)言）本質(zhì)上是利用XML格式描述和存儲(chǔ)了機(jī)器學(xué)習(xí)模型。PMML文件最大的優(yōu)勢(shì)是支持跨平臺(tái)開(kāi)發(fā)，風(fēng)控建模人員可以在Python、R、Spark MLlib等環(huán)境中訓(xùn)練機(jī)器學(xué)習(xí)模型并產(chǎn)出PMML文件，進(jìn)而導(dǎo)入決策引擎中進(jìn)行實(shí)時(shí)預(yù)測(cè)。