智能体驱动信贷风险的动态感知到策略自迭代

如果无法正常显示，请先停止浏览器的去广告插件。

1. 智能体驱动信贷风险的动态感知到策略自迭代演讲人：董纪伟

2. 01 公司简介 02 信贷风控的敏捷性困局 03 基于Agent的决策自学习与自进化的框架设计 04 场景实践 05 总结和展望

4. 01 公司简介

5. 同盾科技-简述 ·客户覆盖 · 同盾科技是中国领先的人工智能科技企业，总部位于浙江省杭州市，专注决策智能先进技术研发和应用，致力于帮助各行业客户有效防范风险、提升决策效率。多年来公司坚持自主科技创新与技术开放开源，多项算法和软件系统已达全球领先水平，并以决 20+ 大行业策智能为主线，以 AI技术为核心，深度整合了分布式计算、机器学习、深度学习、时序分析、 10000+ 120+ 企业客户细分场景知识图谱等多领域能力，聚焦于金融风险、安全风险、政府治理风险三大场景，能够全方位支撑企业决策与运营流程，赋能企业数字化转型更智能、更高效。 ·科研实力 · 430+ 专利申请 340+ 软件著作权 20+ 行业研究报告白皮书的编制

6. 智能金融风控领域的“唯一”，也是风控领域国家标准的制定者第一批获批企业第二批获批企业 …… 第三批获批企业 …… • 入选人工智能国家队 • 科技部授予，成为全国范围内金融风控领域唯一的一家获此殊荣的高科技企业 • 承担科技部国家科技创新2030“新一代人工智能”重大项目同盾科技为国家标准金融智能风控的起草单位

7. 经过多年积累与布局，沉淀人工智能三要素能力，打造新一代决策智能操作系统场景算法人工智能三要素基于场景特定应用的决策智能体基于多年在行业的深小微企业信用决策智能零售信用决策智能营销决策智能欺诈预防决策智能订阅模式耕及对业务的洞察，（调用量收费）深入触达各个业务场景，才能同时积累人工智能三要素，集合形成同盾能力壁垒算力引擎基于决策智能的平台和工具天策云图极溯明模智能决策引擎图分析挖掘引擎特征计算及管理平台模型开发及管理平台软件许可模式 … /算力模式（节点扩容收费、基础软件授权收费）未来将建设基于新一代人工智能开放创新数据要素决策智能领域相关数据要素平台，打造赋能百行 … 个人征信数据企业征信数据司法数据物流数据指标/特征层挖掘运营商数据分析产品订阅模式百业，融合多方需求（调用量收费）打造新一代决策智能操作系统- 智策2.0

8. 决策智能操作系统AI+的关键点行业“脏数据” 场景 “肌肉记忆” 基于已沉淀的知识库及设计方法论、上万个风险策略，百万级风险特征等1500亿 tokens训练语料数据基于业内实践，设计贴合场景的多维动态决策的决策组件、流程编排超融合计算框架模型、策略强化学习逻辑领域模型蒸馏及微调技术

9. 基于垂类大模型技术开发场景Agent，定位成为不同领域的风控AI虚拟专家风控MCP工具集大模型与小模型的决策融合画像库风险分工具调用风控智能体集市欺诈云征信智能知识库系统欺诈侦测Agent 风控知识向量数据库 RAG管道智能报告Agent AI+ 能力嵌入案例查证Agent 授信评估Agent 领域助手向量化领域Agent 内容生成领域工作流知识提取向量检索图谱知识库 GraphRAG 知识检索时序分析引擎混合检索搜索引擎特征挖掘Agent 业务领域多模态画像Agent …… MOE混合路由支持多语言模型接入能力信贷风控微调/剪枝领域知识库同盾-诸葛风控大模型实时反欺诈微调供给蒸馏监管合规运营监控案例查证图谱构建向量化腾讯混元图例： --1 、 2 、 3 -- 训练、推理、调用的链路字节大模型大语言模型通义千问 DeepSeek 预训练供给政策文件策略模型内部风控知识案件情报业务数据策略模型梳理/标注梳理/标注 AI专家用户专家内部文档

10.

11. 02 信贷风控的敏捷性困局

12. 困局：信贷风控滞后造成动态响应瓶颈业务有风控，但是很被动 1、数据割裂黑洞 “阿喀琉斯之踵”，数据冗余且无利用 “流水的数据，铁打的特征” 2、模型失灵危机 “辛普森悖论”，潜在变量博弈，机器学习模型在高维稀疏数据与高阶非线性特征有时会失效 3、被动风控的“死亡空窗期” 风险攻击的脚本化牵引“鱼饵式”策略攻防演变；政策时差，监管新规冲击被动式风控的模型调整时效具体的痛点 01. 数据碎片化，需要依赖大量人工处理才能加工为统计视图才能进行归因分析 60%风险因数据孤岛漏判传统模型误判率>30% 策略调整延迟导致“雪崩” 02. 未知复杂的因子造成异常波动，难以快速发现与定位规则上千、模型一堆但误报高 4、“乱枪打鸟”的资源浪费规则、模型不敢动、不敢删，没有一套高效有用的量化评估运营示例：软策略采用动态阈值机制，基于连续变量的排序性实现风险分层。例如 “信用评分后 5% 人群拒绝”，需要根据资金成本与市场竞争动态调整比例（旺季放宽至后 8%，淡季收紧至后 3%） 03. 风控策略未能及时调整，导致决策失效

13. 核心矛盾：静态策略VS动态因子政策新规：八百里加急突发异变：春江水暖鸭未知外部大的异常风险因素在短时间内剧烈冲监管政策不断更新，如助贷新规、贷后管理要击借款人偿付能力和信用状况。求、合规标准提升等。静态风控策略无法快速捕捉和适应这些突新规往往带来风控策略调整需求，静态策略难变，出现风险盲区。以及时响应，可能导致合规风险和业务滞后。核心矛盾行业骤变：灰犀牛事件某些行业可能因技术变革、市场需求变化或竞争格局调整出现剧烈波动。静态策略缺乏对新兴行业风险动态的实时感知和动态适配能力。经济波动：弹弹弹经济周期的波动（如通胀、利率变化、失业率波动等）影响借款人的整体偿付能力。经济下行周期时，逾期和违约风险大幅上升。

14. 大模型驱动的信贷风控自进化闭环体系态势实时感知策略热生成沙盒对比验证人机协同运营多维监控业务状态与决策运行，结合大模型能力的自动工具，应用各类数据对新策略进行全设计冲突反馈与人工审批机实时感知异常风险、提供第一将挖掘优化方法标准化，人机方位的验证，确保每一次迭代手的分析能力结合，提升效率和准确度上线均有效果保障制，并通过可视化看板深化感知分析策略挖掘沙盒验证展示策略演变和效果归因效果反馈

15. 03 基于Agent的决策自学习与自进化的框架设计

16. 基于Agent，快速实现信贷精准风控的自进化策略全链路可观测体打通数据、决策与效果的认知闭环策略认知与自我进化中枢透明可解的逻辑体系策略构建与变更的全维度可解释框架风险感知智能层闭环验证的演化机制前瞻捕捉每一次策略波动与精细化对比验证与灰度空间风险暗涌的应用逻辑认知驱动策略引擎自我进化的智能策略生成内核

17. 多源数据融合，驱动更全面的风控挖掘与风险收敛少不了的还是数据，是基础也是关键，需要系统化的数据融合，挖掘更有价值的特征与策略报文解析数据 • 信用分 • 多头数据 • ... 业务运营数据 • 催收记录 • 客户交互记录 • ... 多源异构数据融合业务数据 • 授信历史 • 还款行为 • ... 行为数据 • 设备指纹 • 访问路径 • ... 交易流水数据 • 消费流水 • POS转账行为 • ...

18. 获悉风控的有效性：围绕风险等级建立量化“标尺” 背景模型团队构建了用于评估客户信用风险需要一套全面、科学的风险量化体系的评分卡模型；策略团队将其应用在风控决策中，用于通过/拒绝，并对客户进 01. 提前预估资产质量：在未有风行风险评级。险表现时即可以使用风险等级对应监控现状 02.及时验证模型的有效性：验证预序性等对该模型建立了监控；测的风险等级及其对应的坏账率是策略团队对该评分卡的通过/拒绝情况建否与实际风险表现一致 03. 动态监测资产质量分布：观测问题点：各管各的，归因难辩不同风险等级的贷款余额、逾期率监控维度较为单一；模型团队仅关注技、坏账率如何变化？术指标，无法量化模型价值；策略团队仅关注决策执行效果，无法利用它做更全面的风险分析和评估。示例：风险等级下的坏账率，建模时点对比当前时点，衡量模型区分度的坏账率来做风险测算围绕各类技术指标KS、AUC、Gini、排立了监控 —— 入门级监控 • 优化授信策略：确保信用策略与资产质量目标相匹配 • 及时干预优化：风险等级的逾期率发生异常时可及时介入 04. 驱动风控策略调整：持续观测下，是否要调整风险等级拒绝策略示例：风险等级下的放款金额，用以预估资产的未来风险表现

19. 感知层：采用Agent，设计多维实时风控监听“雷达” 缺乏可视的、可诊断的风险感知体系通过率忽高忽低，是策略出问题，还是决策的中枢神经，主动、自动、智能感知风险全链路感知中枢从进件、策略执行到审批结果的全流程，实现运行的实时可观测多维度联动网络从数据、特征到模型的多维交叉分析，精准捕捉异动信号渠道波动？某个模型的拒绝率比线下开发时高，客群问题还是特征计算问题？文字占位异常主动识别具备“自我感知”能力的风险波动发现机制异动根因溯源将异常告警与模型、规则、特征、数据各层级自动关联，重建完整决策链路策略版本多、规则复杂，出了问题要靠人肉查日志，无法直观展现决策过程。文字占位透明解释框架打破策略黑盒，提供从监控到解释、从发现到定位的全栈式透明运营能力

20. 挖掘层：基于多Agent协同的智能策略生成中枢外部报文解析数据 • 欺诈评分 • 信用评分... 系统数据 • 授信历史 • 还款行为 • ... 客户行为数据 • 设备指望 • 访问路径 • ... 业务运营数据 • 催收记录 • 客户交互记录 • ... 交易流水数据 • 消费流水 • POS转账行为 • ... 规则挖掘 AI 挖掘实验室通过大模型技术推荐指标和规则，以智能化驱动、工具化落地为核心设计理念，兼顾效率、精度与可提供语义化的策略建议解释性，构建更快、更准、更闭环的策略优化能力体系，真正实现特征挖掘通过大模型技术挖掘并生成指标逻辑，自动评估指标效果风控决策的精细化、自进化与持续优化。依托大模型的智能能力，可自动挖掘高价值变量、构建衍生特征，显著降低建模门槛模型挖掘自动化实现从数据处理到特征分箱到模型训练决策链路生成设定策略生成或优化标准及各类参数，通过Agent自动生成最优流程通过语义化目标输入，实现策略逻辑的自动生成与调整，大幅提升策略响应效率自动分箱与交互式决策树，提供透明可控的规则挖掘与解释能力自动推荐+ 交互优化，效率提升策略优化周期压缩至 3-5天 70% 模型更新周期缩短 60%

21. 智能体赋能，使特征挖掘更快、更精准、更全面特征自动筛选 • 通过大规模数据训练， • 利用非结构化数据特征自动构造 • 自动生成交叉变量、 • 利用NLP模型解析自适应优化特征组合 • 结合强化学习算自动筛选出对逾期率时间序列特征、行为用户交易备注、客法，动态优化指等贡献度最高的指标模式特征，减少人工服对话、社交媒体标组合，持续提采用自监督学习和特试错数据等，提取关键升风控模型的区通过深度学习方法发风险特征分能力征归因分析，筛选稳定性和可解释性 80% 提升特征发现效率 • 现变量间的复杂关系 20% 提高指标贡献度 50% 提高特征贡献度 60% 模型更新周期缩短

22. 仿真层：智能沙盒的精细化极限验证，实现三态转换解决新策略前需要回答的问题： • 新策略真的比旧策略更好吗？是所有维度都提升，还是局部优化但风险敞口增加？ • 通过率提升了，对逾期率的影响有多大？如何找到最佳平衡点？ • 评估维度收紧策略后，逾期率降低了，但对通过率和放款量有风险指标业务指标稳定性指标逾期率通过率时序稳定性坏账率放款金额人群结构偏移风险区分度平均额度规则一致性何影响？ • 新策略是否对不同客群都有效？还是仅在特定时间段或人群中生效？

23. 基于知识推理完成特征与策略的动态生成与评估业务价值 • 更智能的风险政策及案例解读，结合知识库，快速提供风险策略建议 • 丰富的策略测试、评估、调优、验证机制，提供敏捷、高效的策略优化专业知识库智能生成 • • • 2000+政策文件，专家库风控资产库，30+场景，10万+特征及规则敏捷调优对话式风控规则策略生成，高效生成风控规则建议基于知识的策略生成 • 多种策略效果分析评估机制，快速评估策略效果。策略调优验证向量化模型灰度：分流、冠军挑战者针对策略级（分流）或策略内部支路（冠军挑 • 评估，帮助策略战者）按指定比例进行分流和对比分析文件切片陪跑：旁路主策略决策的同时，设定陪跑版本策略，文件解析并对结果进行比对，便于进行策略优化分析调优验证：量化分析指定策略版本，采用指定范围的线上历史数政策/案例同盾资产库据进行决策，并与原决策进行对比多种场景的分析建模人员敏捷测试验证 • 实时统计分析报表，关联分析，方面从不同维度比对、分析实验功能结果

24. 应用层：层层下钻对比分析，关注整体结果，也关注路径和细节差异策略优化后，在使用验证数据评估效果时发现不如预期，坏账率升高或通过率下降，团队知道“有问题”，但不知道问题出在哪一步解决方案将策略按照决策流结构逐层展开，逐级对比每一个策略节点（如规则集、评分卡等）在新旧策略中的命中率、拒绝率、通过率、逾期率等 • 策略对比 • 策略透明可追溯，提升风险可控性避免“全局回滚”，只需调每次调整背后都有数据解释，整真正有影响的节点，策略不怕“黑盒”，让风控团队优化更聚焦、修复更高效。与管理层对策略更有信心。促进跨部门协同与共识策略治理更加体系化明确是哪个环节带来了变化，策略的日常管理与优化不再避免“运营以为是策略调了，是孤立规则拼图，让策略变策略以为是模型变了”的推得更结构化、更规范。对比两个决策流各个节点的通过或拒绝情况节点对比 • 模型对比比较任意决策流下两个模型或评分卡的执行情况：评分分布、拒绝情况、区分度等 • 规则对比特征对比对比决策流整体通过或拒绝情况精准定位策略问题根因，提升问题解决效率比较规则集下任意两条规则的执行情况：拒绝率、精准率、覆盖率、F1值等 • 分析规则引用的特征执行情况：分布、psi、iv、标签分布等诿，提高调整的协同效率。

25. 更进一步，打造信贷风控场景的智能分析AI专家针对复杂、时效性要求高的场景，往往涉及个体风险、群体风险、资金流向异常，极度依赖个人经验，通过引入大模型语义识别及分析能力，可以提供更简洁、高效、智能的风险识别、归因分析，提高风险排查效率。

26. 多Agent联动，构建自主且智能化风险全方位核查“超体” 调查对象：一般为审批系统、监管下决策引擎 / 监管下发 /图谱挖掘 /审批系统等发、决策引擎、图谱平台等方式获取智能案例分析工具，融合图谱、大模型、时序等多种分析能力对话式、待调查对象自动化分析风险，典型场景： 1. 信贷申请核查； 2. 反洗钱案例查证； 3. 交易反欺诈案件调查深度拓展针对调查对象从手机号、地址、客户、交易等各种维度进行关联拓展 AI Agent自主规划、分析并决定调用分析智能体的分析算法，例如模糊匹配、聚类分析、节点重要性、资金流向，极大提高分析效率报告生成基于分析结果，结合AI能力进一步分析，并生成结论指引，提高分析效率

27. 04 场景实践

28. 信贷风险侦测智能体，助力贷前申请欺诈的闪电攻防痛点 • • 助贷新规 2025 年 10 月起施行，要求金融机构聚焦本地客群风控能力建设，缺乏自主风控能力的机构可能退出市场职业背债人黑产链条规模化蔓延，存在 “包装贷”“接盘债” 等陷阱，衍生系统性风险，威胁金融安全。自主风控要求高解决方案价值综合运用大模型、小模型、规则集、图谱等多种智能技术，构建立体式防控体系，更精准、高效识别冒用身份、资料包装、团伙诈骗等风险风险防控升级职业背债人欺诈陷阱黑产精准打击四维一体决策体系（LLM/规则集/小模型/图谱）构建 “大小混合决策模型”，打破传统决策模式局限，开拓智能决策新范式。 AI Agent • 融合多元：集成大模型、规则集、小模型、评分卡、关联图等，打造综合决策流。 • 智能驱动：借 AI Agent 赋能，实现决策流程智能化，提升决策效率与科学性。 • 突破局限：打破单一决策模式束缚，适配复杂场景，拓展决策应用边界。类案风险匹配欺诈团伙识别智能信审评估决策报告研判应用成效：不良率从 1.8% 降至≤0.7%，A策略通过率提升 23%（释放优质客群），策略调整效率提升60%

29. 需要业务与决策双视角量化评估，通过“游标”及时获取异常源资产质量业务申请业务监控预警业务单维度业务组合维度 • 申请量 • 贷后触警率 • 产品（A/B/C……） • 产品&渠道 • 通过率 • 逾期率/不良率 • 客群（公务员/自雇人士） • 客群&评级 • 拒绝率 • 首逾比例 • 行业（制造/批零……） • 客群&收入 • 迁移率 • 区域（上海/江苏……） • 机构&行业发现业务问题（指标异常） • 比如：业务申请通过率大幅上升；Vintage显示近段时间资产质量下降 • 比如：X产品评级为C的客群首逾比例增加5%；X产品行业为化工的企业客户贷后触警率高于平均值发现决策问题（指标异常）决策监控预警 • 比如：某产品准入策略通过率大幅上升； • 比如：某产品反欺诈评分模型PSI指标异常 • 进件量 • 通过量/率/环比 • • 通过量/率环比通过量/率(7/30)环比 • 通过量/率(7/30)环比 • 拒绝率 • 拒绝率 • 拒绝量/率(7/30)环比 • 拒绝量/率(7/30)环比 • 触发率/触发率(7/30)环比策略监控规则/规则集监控 • 模型分分布 • 变量缺失率指标 • 模型通过率指标 • 变量分布稳定性指标 • 模型稳定性psi指标 • 调用量 • 模型性能指标 • 调用耗时模型监控特征监控

30. 及时发现和定位原因：当通过率下降时，如何追根溯源？进件客群发生变化 • • 申请量变化：是否近期申请用户数据源质量问题 • 数据获取异常：外部数据源（如征风控策略调整 • 风控模型调整：近期是否有风控模质量发生变化？（如渠道流量调信、第三方风控数据）是否出现延型等策略更新，导致风险评分标准整、用户画像变更等）迟或异常，导致审核失败？变化？欺诈行为：是否存在异常的欺诈 • 攻击，如羊毛党集中申请，导致系统拒绝更多申请？示例：进件人群画像监控 • 系统风控逻辑异常：是否存在风控运营与市场因素 • 渠道质量变动：近期是否更换了流量渠道，导致导入用户质量下降？ • 市场环境变化：是否受到宏观经济、策略规则变更：是否近期新增了风监管政策（如信贷收紧）或竞争对系统计算错误、接口调用失败等技控规则、加强了某些维度的筛查手策略调整的影响？术问题？（如多头借贷、负债率等）？人工审核流程变化：是否因审核策 • • 用户行为变化：用户是否因利率调拒绝原因分析：拒绝的主要原因是整、竞争对手活动等影响，申请意略调整或人工作业变更，导致误拒否发生变化，如信用评分下降、收愿下降？率上升？入核验失败等？示例：特征分布及稳定性监控 • 示例：拒绝原因分布监控示例：进件渠道占比监控

31. 实战：基于标尺下的游标完成感知，有效提升风险对抗效率

32. 异常背后的多维因果穿透场景实例：当某个线上产品的通过率出现明显下降并发出告警，如何快速追根溯源定位问题、及时采取行动？下钻至特征变量的分布评分卡区间分布发生了变化低分段人群占比高于往常通过量下降策略执行路径冲突展开决策流执行的各环节通过分析命中率发现，规则R1与评分卡拒绝边界区间高度重合，产生大量重复拒绝用户进件人群结构分析低年龄段客群激增，评分卡模型中不含年龄类变量，导致未识别评分卡中某个重要变量的分布发生了偏移重要变量发生偏移导致模型评分分布偏移，从而造成中等资质用户被打入低分区被拒绝评分卡与规则重复拒绝，导致策略更严，但并无显著风险收益前端渠道影响是否做了特别的活动，导致低龄申请人数增加？模型未引入能区分该群体风险的相关变量，导致这部分客户的风险被高估，策略泛化能力下降

33. 溯因式量化分析评估 01 • 指标异常的原因？结论和下一步行动建议：通过率突然异动，是规则或模型的风险区分能力下降？（1）结论：同一特征在不同时间区间的分布产生较大变化还是线上进件客群发生变化？ • 02 Vintage显示近段时间资产质量下降，是客群原因还是策略效果不佳原因？（2）分析： • 数据源（比如某三方评分）是否发生变化？ • 客群是否发生了较大变化？（3）行动建议： • 确认数据源及加工逻辑是否变化； • 进一步分析客群是否发生变化，是否符合政策导向等。以信贷场景的通过率大幅异动分析为例，通过量化分析完成全决策链路分析：某产品通过率大幅异动告警定位哪个决策组件的通过率明显上升定位到评分卡模型通过率明显上升分析模型评分分布、主要入参分布决策链路上的异常点溯因式分析定位到分布偏差较大的特征及数据源得出结论

34. 大模型自动生成挖掘并生成特征逻辑多源明细数据大模型特征推荐特征逻辑生成特征评价特征筛选完成挖掘异常因子发现通过Transformer、RNN等技术分析用户交易、登录、操作序列，提取异常行为模式特征自动衍生利用深度学习模型（如 AutoML、Deep Feature Synthesis）自动生成高级特征关联关系挖掘构建企业、用户、交易的知识图谱，通过图神经网络（GNN）识别欺诈、异常交易链条等，进行风险关系推理评价维度关键指标作用预测能力 IV、KS 衡量特征的区分能力相关性相关系数、VIF 避免特征冗余重要性 SHAP值解释特征对模型的影响稳定性 PSI 评估特征在不同时间段的分布变化可解释性可视化展示确保合规性与可解释性

35. 实战：由Agent来设定目标和约束条件，并完成自动生成确定智能推荐场景 Step01 • 提升通过率、回捞拒绝客户？ • 优化资产质量、降低坏账率？设定约束条件 • 通过率、坏账率（目标函数） • 规则集中包含的规则数量 Step02 • 单条规则使用的最多特征数 • 必须包含的特征规则及阈值 • 拒绝推断方法 Step03 大模型选择最优算法 • 决策树、遗传算法、贪心算法等策略评估 Step04 • 通过率、坏账率 • 单条规则、规则集的提升度人工确认 Step05 • 确认新增或删除规则 • 确认调整规则阈值

36. 验证环节的时序稳定性验证：让决策看得更远、运行更稳 • 近1个月：新策略坏账率略优于旧策略，表面看似更优 • 近3个月：新策略坏账率上升，已超过旧策略 • 近6个月：新策略坏账率显著高于旧策略，存在明显稳定性风险，不具备可持续性时序验证方法灰度空间+效果验证 01.确定新策略确定需要进行验证的新策略从挖掘实验室自动同步新策略，无需手写代码转译 02.选取样本选取样本，并进行时间窗口划（按近1 个月、3个月、6个月构建评估窗口） 03.策略回溯在每个窗口样本上执行新策略，包括通过和预期情况 04.时序分析对比逾期率、通过率等表现趋势 • 策略短期表现好 ≠ 长期稳定 • 时间窗口越长，越能识别策略是否对市场变化敏感 05.产出报告产出报告，并给出是否建议上线的结论样本中心管理所有用于验证的历史数据，可按需选取，切分时间窗口自动执行策略中的所有节点，无需手写代码复现策略基于不同策略场景，内置丰富的评估指标，结合标签数据，自动计算基于数据表现自动提供建议，并产出可视化的结论报告用于分析或留档

37. 从贷后预警回到贷前决策，深层次归因分析及行动建议基于监控预警组件，利用生成、推理能力实现归因分析、优化建议，及时调整产品及风控策略监控预警近1周贷后预警客户风险趋势增幅较大行动建议大模型 • 业务量监控 • • 决策效果监控客群表现监控监控指标预警信号信号解读归因分析 • 资产质量监控 • 风控运营助手归因分析和风险评估模型进行审查和调整。调整产品行业特定风险：制造业可能需要特别关注，可能需要对该行业的贷款条件进行重新评估。策略信用评分模型失效：策略A通过的高信用评分客户逾期增加，可能需要重新校准信用评分模型。分析报告模型迭代行动建议调优近1周X地区贷款评级下降幅度较大 • 风险评估渠道A风险增加：可能需要对渠道A的贷款审批流程行业风险集中： A行业贷款评级下降幅度较大，可能该行业面临较大的市风险，需要重点关注和风险控制。区域发展不均衡：核心区的贷款评级下降增量最高，突发行业性可能与该区域的经济发展状况或市场环境有关。风险信用评级下降普遍化：高信用等级客户的贷款评级下降增量显著，这可能表明整体经济环境或信贷政策的变化对信用较好的客户也产生了影响。风险管理建议 • 分析助手建议X地区分行加强风险管理，包括但不限于提高信贷政策的审慎性，加强贷后管理和监控，以及优化客户和行业贷款结构。

38. 05 总结与展望

39. 总结：小场景、微切口，构建全链路智能风控自动进化与风险收敛系统监控业务预警态势感知业务监控业务预警(分析、处置、通知) 实时感知异常，自主迭代策略，沙盒验证效果，人机协同落地管理执行持续问题反馈和循环优化的动态运营流程，直至风险自动收敛和业务持续健康发展。基于监控预警结果，自动生成量化分析报告个性化定义查阅/ 分析风控可视化统计分析基于大模型的自学习优化任务主动量化分析决策预警(分析、处置、通知) 其他监控新决策迭代上线用户在任意时点开启指定目标的量化分析任务自动量化分析决策监控决策预警量化分析指定分析任务发现问题定位原因自动生成优化任务决策优化(规则集/ 策略/模型等) 效果评估 (业务/策略 /规则/模型等) 新特征发现量化分析总结分析结果生成新策略组合评估优化后有明显提升的，进入智能验证回测验证旁路验证自动生成验证报告有效提升推送上线

40. 依然存在的关键挑战是问题也不是问题数据稀疏数据稀疏性制约长尾客群风控可解释性时效与精准纯粹的大模型/生成式AI 大模型/生成式AI模型链路模型，可解释性相对较差，缺少最终衍生的具体特征可衡量的数据与特征可解释性增强及计算效能无法满足毫秒级时延，长时序决策失效 MOE 动态路由突破跨场景下数据壁垒， MCP集成引入可解释性工具 MoE(Mixture-of-Experts) 替代数据（通讯、消费、 SHAP + LIME，特征维度映 “路由”，决策链路及权重行为数据）的规则转化射重要性话术内容，动态调整（冲突检测机制）， "黑箱模型 + 白盒规则"并反馈流批融合，位图计算学习闭环

41. 智能体角色的逐渐演进：从工具到伙伴不再只是“增强员工能力”的助手，而是可以成为承载业务流程、感知外部变化、做出推理判断的新型智能执行单元。

42. 展望-从能力到行动：重塑金融生产力，打造可执行的场景Agent 风险决策而言，对“准确性”和“可靠性”的要求极高，简单将其应用于金融业务中难以实现真正端到端的智能化，必须构建一个能够将模型能力转化为实际行动的桥梁 —— 端到端的场景Agent。打破流程壁垒，实现端到端自动化智能规划与复杂任务执行持续学习与自我优化自主感知与实时响应降低服务的门槛和成本

43. Agent是不是最终解？如果 95% 的决策已经由规则 + 机器学习 + 时序分析 + 知识图谱完成很好了，还要不要做 Agent ？现阶段来看，还不是万能的，业务价值才是目标！传统AI仍有巨大红利，生成式AI将从点到面赋能和重塑生产力，创造巨大价值增量唯一不变的就是变化，AI不会取代人，但会用AI的人会取代不用AI的人 AI再先进，也需要 “大数据”的喂养，数据安全尤为重要

44.

45. THANKS 探索 AI 应用边界 Explore the limits of AI applications