课程简介

本案例主要围绕金融风控业务的算法模型的质量保障手段与工程效率实践来展开，共分四个大章节。
1.AI金融科技的应用：
介绍AI业务应用场景，如：大数据风控、广告推荐、语音识别、无人驾驶等。列举AI金融科技应用，如：营销、风控、运营、支付等。分析金融风控的分层架构。白话AI基础概念，对比机器学习的主要分类。讲解金融信贷风控体系，评分卡及常用模型。铺垫引出质量问题与挑战；

2.数据质量的三板斧：
讲解大数据ETL过程与测试要点。分析 Data Profiling & Auditing & Correcting。举例说明数据质量分析方法，如：血缘基数、值域分布等。阐述数据测试设计要点。介绍数据质量平台设计与应用；

3.模型效果评测实践：
对"模型、训练、拟合"等名词做通俗解释。对比数据和特征的区别。介绍从特征挖掘到模型建立的过程，类比建模与驯兽的相似点，加强对建模过程的理解。举例特征测试要点与自动化，特征计算、特征调度、特征上线等过程。讲解模型的测试方法，如：数据测试、核心逻辑、蜕变测试、效果评估等。说明不同类别模型的效果指标，如：分类、回归等，重要讲解金融风控
模型的效果指标，如：KS、卡方、PSI、IV等。强调模型监控的重要性与常见监控手段。讲解模型评估平台的设计与应用效果。

4.AI时代QA学习路线：
剖析AI模型的测试痛点，总结AI产品质量保障体系，分享AI学习进阶路线。

目标收益

基于该案例的实践，对模型评估测试大大的缩短时间成本(单个模型0.5人日 -> 10分钟)，丰富数据质量分析(血缘基数、值域分析等)、填补特征自动化分析空白(单特征分析、meta命名、特征值个数、整体覆盖率、特征值校验等)。

培训对象

课程内容

背景：

业务场景，金融风控业务十分复杂，互联网金融相较于传统金融场景差异明显，

订单数多、订单金融偏低、借贷期限短、客群资质差、风控预算低等。风控模型效果的好坏对于金融业务发展至关重要；

数据质量，业务数据量巨大，数据质量要高，特征维度较多； 

模型效果，模型迭代较慢，模型优化较慢，特征与模型效果好坏关键，特征问题多(前后不一致，离线在线不一致，回溯不一致等)，模型问题多(分布不一致、不稳定、监控少等)；

测试手段，金融风控偏B端业务区别于C端在线业务，无法A/B测试评估效果(贷后表现数据无法实时快速获取)。测试门槛较高，功能、接口测试无法满足。技能要求高、抽象度高、数据获取难、问题分析难。