发明内容
本发明的主要目的在于提供一种信贷评估方法、装置、设备及计算机可读存储介质,旨在提高风控模型的评估能力,降低贷款坏账率。
为实现上述目的,本发明提供一种信贷评估方法,所述信贷评估方法包括以下步骤:
获取历史信贷数据,并根据所述历史信贷数据构造AI风控引擎;
在接收到借款请求时,获取所述借款请求对应借款用户的用户贷前数据,并将所述用户贷前数据分别输入预设专家引擎和所述AI风控引擎进行信贷评估;
获取所述预设专家引擎的专家评估结论和所述AI风控引擎的AI评估结论,并基于所述专家评估结论和AI评估结论生成对应的决策建议。
可选地,所述历史信贷数据包括历史贷前数据和历史贷后数据,
所述获取历史信贷数据,并根据所述历史信贷数据构造AI风控引擎的步骤包括:
分别将所述历史贷前数据和历史贷后数据作为输入训练集和输出训练集,并基于所述输入训练集和输出训练集对初始机器学习模型进行分析训练,得到AI风控引擎。
可选地,所述初始机器学习模型通过专家规则冷启动。
可选地,所述输入训练集中的输入元素包括维度为m的多维向量x,所述输出训练集中的输出元素包括贷款不良率y,
所述基于所述输入训练集和输出训练集对初始机器学习模型进行分析训练,得到AI风控引擎的步骤包括:
将所述输入元素和输出元素进行组合,定义出m个多维训练向量组
{(x1,y1),(x2,y2),…,(xm,ym)};
基于梯度提升树GBDT算法对所述多维训练向量组中的多维训练向量进行学习,获得对应的决策树
T(x;θm),
其中,θm为所述决策树的参数;
将所述决策树进行线性组合,得到线性组合树
所述线性组合数的代价函数为
f(x)=l(h(x,D),Y),
其中,所述h(x,D)为假设函数,为所述决策树的决策结果,所述代价函数f(x)的泰勒公式一阶展开为:
其中,为前t颗决策树的加权和,
为最速下降迭代公式,
为假设函数的梯度;
根据所述线性组合树和代价函数获得AI风控引擎。
可选地,所述在接收到借款请求时,获取所述借款请求对应借款用户的用户贷前数据,并将所述用户贷前数据分别输入预设专家引擎和所述AI风控引擎进行信贷评估的步骤包括:
在接收到借款请求时,根据所述借款请求中包括的用户标识和授权许可生成对应的数据获取请求,并将所述数据获取请求发送至数据管理***,以获取对应的用户贷前数据;
接收所述数据管理***反馈的用户贷前数据,并将所述用户贷前数据分别输入预设专家引擎和所述AI风控引擎进行信贷评估。
可选地,所述获取所述预设专家引擎的专家评估结论和所述AI风控引擎的AI评估结论,并基于所述专家评估结论和AI评估结论生成对应的决策建议的步骤包括:
获取所述预设专家引擎的专家评估结论和所述AI风控引擎的AI评估结论,并基于所述专家评估结论和AI评估结论进行加权运算,获得所述借款用户的信用额度;
根据所述信用额度生成对应的放款建议,其中所述放款建议包括放款额度和放款周期。
可选地,所述获取所述预设专家引擎的专家评估结论和所述AI风控引擎的AI评估结论,并基于所述专家评估结论和AI评估结论生成对应的决策建议的步骤之后,还包括:
获取所述借款用户的用户贷后数据,并将所述用户贷前数据和用户贷后数据组合得到迭代训练样本;
通过所述迭代训练样本对所述AI风控引擎进行迭代训练,以对所述AI风控引擎进行调整。
此外,为实现上述目的,本发明还提供一种信贷评估装置,所述信贷评估装置包括:
引擎构造模块,用于获取历史信贷数据,并根据所述历史信贷数据构造AI风控引擎;
信贷评估模块,用于在接收到借款请求时,获取所述借款请求对应借款用户的用户贷前数据,并将所述用户贷前数据分别输入预设专家引擎和所述AI风控引擎进行信贷评估;
建议生成模块,用于获取所述预设专家引擎的专家评估结论和所述AI风控引擎的AI评估结论,并基于所述专家评估结论和AI评估结论生成对应的决策建议。
此外,为实现上述目的,本发明还提供一种信贷评估设备,所述信贷评估设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的信贷评估程序,其中所述信贷评估程序被所述处理器执行时,实现如上述的信贷评估方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有信贷评估程序,其中所述信贷评估程序被处理器执行时,实现如上述的信贷评估方法的步骤。
本发明通过获取历史信贷数据,并根据所述历史信贷数据构造AI风控引擎;在接收到借款请求时,获取所述借款请求对应借款用户的用户贷前数据,并将所述用户贷前数据分别输入预设专家引擎和所述AI风控引擎进行信贷评估;获取所述预设专家引擎的专家评估结论和所述AI风控引擎的AI评估结论,并基于所述专家评估结论和AI评估结论生成对应的决策建议。通过以上方式,本发明以机器学习的方法构造AI风控引擎,并通过AI风控引擎和专家规则引擎同时对借款请求进行评估,采用双引擎评估的方式获得决策建议,大大降低人类思维局限性对引擎构造和信贷评估过程的不利影响,提高风控模型的评估能力,有效降低了贷款的坏账率。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例方案的主要思路是:获取历史信贷数据,并根据所述历史信贷数据构造AI风控引擎;在接收到借款请求时,获取所述借款请求对应借款用户的用户贷前数据,并将所述用户贷前数据分别输入预设专家引擎和所述AI风控引擎进行信贷评估;获取所述预设专家引擎的专家评估结论和所述AI风控引擎的AI评估结论,并基于所述专家评估结论和AI评估结论生成对应的决策建议。
本发明实施例涉及的信贷评估方法主要应用于信贷评估设备。
参照图1,图1为本发明实施例方案中涉及的信贷评估设备的硬件结构示意图。本发明实施例中,信贷评估设备可以包括处理器1001(例如CPU),通信总线1002,用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信;用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard);网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口);存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器,存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地,该信贷评估设备还可以包括摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。其中,传感器比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器,环境光传感器可根据环境光线的明暗来调节显示屏的亮度。作为运动传感器的一种,重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别信贷评估设备姿态的应用(比如横竖屏切换、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;当然,该信贷评估设备还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
本领域技术人员可以理解,图1中示出的信贷评估设备的硬件结构并不构成对信贷评估设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
继续参照图1,图1中作为一种计算机可读存储介质的存储器1005可以包括操作***、网络通信模块以及信贷评估程序。
在图1中,网络通信模块主要用于连接数据库,与数据库进行数据通信;而处理器1001可以调用存储器1005中存储的信贷评估程序,并执行以下操作:
获取历史信贷数据,并根据所述历史信贷数据构造AI风控引擎;
在接收到借款请求时,获取所述借款请求对应借款用户的用户贷前数据,并将所述用户贷前数据分别输入预设专家引擎和所述AI风控引擎进行信贷评估;
获取所述预设专家引擎的专家评估结论和所述AI风控引擎的AI评估结论,并基于所述专家评估结论和AI评估结论生成对应的决策建议。
进一步的,所述历史信贷数据包括历史贷前数据和历史贷后数据,
所述获取历史信贷数据,并根据所述历史信贷数据构造AI风控引擎的步骤包括:
分别将所述历史贷前数据和历史贷后数据作为输入训练集和输出训练集,并基于所述输入训练集和输出训练集对初始机器学习模型进行分析训练,得到AI风控引擎。
进一步的,所述初始机器学习模型通过专家规则冷启动。
进一步的,所述输入训练集中的输入元素包括维度为m的多维向量x,所述输出训练集中的输出元素包括贷款不良率y,
所述基于所述输入训练集和输出训练集对初始机器学习模型进行分析训练,得到AI风控引擎的步骤包括:
将所述输入元素和输出元素进行组合,定义出m个多维训练向量组
{(x1,y1),(x2,y2),…,(xm,ym)};
基于梯度提升树GBDT算法对所述多维训练向量组中的多维训练向量进行学习,获得对应的决策树
T(x;θm),
其中,θm为所述决策树的参数;
将所述决策树进行线性组合,得到线性组合树
所述线性组合数的代价函数为
f(x)=l(h(x,D),Y),
其中,所述h(x,D)为假设函数,为所述决策树的决策结果,所述代价函数f(x)的泰勒公式一阶展开为:
其中,为前t颗决策树的加权和,
为最速下降迭代公式,
为假设函数的梯度;
根据所述线性组合树和代价函数获得AI风控引擎。
进一步的,所述在接收到借款请求时,获取所述借款请求对应借款用户的用户贷前数据,并将所述用户贷前数据分别输入预设专家引擎和所述AI风控引擎进行信贷评估的步骤包括:
在接收到借款请求时,根据所述借款请求中包括的用户标识和授权许可生成对应的数据获取请求,并将所述数据获取请求发送至数据管理***,以获取对应的用户贷前数据;
接收所述数据管理***反馈的用户贷前数据,并将所述用户贷前数据分别输入预设专家引擎和所述AI风控引擎进行信贷评估。
进一步的,所述获取所述预设专家引擎的专家评估结论和所述AI风控引擎的AI评估结论,并基于所述专家评估结论和AI评估结论生成对应的决策建议的步骤包括:
获取所述预设专家引擎的专家评估结论和所述AI风控引擎的AI评估结论,并基于所述专家评估结论和AI评估结论进行加权运算,获得所述借款用户的信用额度;
根据所述信用额度生成对应的放款建议,其中所述放款建议包括放款额度和放款周期。
进一步的,处理器1001还可以调用存储器1005中存储的信贷评估程序,并执行以下操作:
获取所述借款用户的用户贷后数据,并将所述用户贷前数据和用户贷后数据组合得到迭代训练样本;
通过所述迭代训练样本对所述AI风控引擎进行迭代训练,以对所述AI风控引擎进行调整。
基于上述信贷评估设备的硬件结构,提出本发明信贷评估方法的各个实施例。
本发明提供一种信贷评估方法。
参照图2,图2为本发明信贷评估方法第一实施例的流程示意图。
本实施例中,所述信贷评估方法包括以下步骤:
步骤S10,获取历史信贷数据,并根据所述历史信贷数据构造AI风控引擎;
本实施例中提出一种信贷评估方法,采用双核风控引擎对借款请求进行评估和决策,降低人类思维局限性对风控模型的不利影响,提升风控***的准确率,从而降低信贷的坏账率。
本实施例中首先需要构造AI风控引擎,该AI风控引擎与传统的专家引擎是不同。对于专家引擎,是由风控专家或是相关工作人员对大量贷款数据分析后进行经验(规律)总结,再将这些经验总结转化为计算机的逻辑算法,从而构成了该专家引擎的评估规则(可称为专家规则);但是人类的经验不一定是正确的,人类的经验容易受到主观因素的影响,从而使得该专家规则具有一定缺陷,降低了采用专家规则的风控引擎的评估能力。因此,本实施例中的AI风控引擎构造过程不完全采用专家规则,而是通过机器学习的方式构造AI风控引擎。其中,机器学习是指不依赖人类来总结经验、输入逻辑,人类只需要把大量样本数据(包括输入样本数据和输出样本数据)输入给计算机,然后由计算机自己总结出其中的数据转换逻辑或映射转换关系,归纳出相应的逻辑代码,从而得到一个数据转换规则,形成对应的评估引擎。具体的,本实施例中,先查询数据库获取历史信贷数据,这些历史信贷数据是金融机构历史放贷记录,包括用户贷前提供的行为数据(如信用情况、个人财力、银行往来记录、社保缴纳情况、通话数据等)、以及该用户贷后的还款记录和贷后行为数据;然后将用户贷前的行为数据作为输入训练集、将贷后的还款记录和贷后行为数据作为输出训练集,并将该输入训练集和输出训练集输入至初始计算机学习模型,基于该输入训练集和输出训练集对初始机器学习模型进行分析训练,由计算机自动对这两种数据结构形式和数据内容等方面进行对比和分析,总结出转换规律,归纳出转换逻辑,构造得到AI风控引擎。
进一步的,由于机器学习往往需要大量训练数据的基础上才能展现出优秀的学习能力,但是对于信贷数据(尤其是在用于评价个人信用方面),用户数量是有限的,在用户上可获取的有效信息更加有限,因此可以通过专家规则作为初始机器学习模型的冷启动零点,也就是说可以采用专家规则作为初始机器学习模型的初始逻辑,然后再用历史信贷数据对其不断进行训练,构造得到AI风控引擎。
值得说明的是,本实施例中的构造AI风控引擎过程采用了包括但不限于逻辑回归、决策树、GBDT、SVM等算法。例如,对于GBDT(梯度提升树)而言,样本集包括房产、收入、年龄、学历等内容,可采用其组合定义出m个向量组,其中x是多维向量,y是贷款的不良率指,即有
{(x1,y1),(x2,y2),…,(xm,ym)} ①
根据不同的组合,可学习出不同的弱模型(矮的决策树),然后将其线性组合成一个函数:
在②式中,T(x;θm)表示决策树,可看成是一棵回归树;
θm为决策树的参数;
m为决策树的棵数。
这株GBDT的代价函数是:
f(x)=l(h(x,D),Y) ③
在③式中,h(x,D)是假设函数,是决策树的决策结果;
f(x)的泰勒公式一阶展开是:
在④式中,是前t颗决策树的加权和;
是最速下降迭代公式;
假设函数的梯度。
通过上述可知GBDT的损失函数所采用的思想与逻辑回归是类似的,只不过后者的基函数采用双射sigmoid函数,而本实施例在此处采用了CART。由此可知计算GBDT参数的方法与逻辑回归类似,也可以采用梯度下降法。根据上述可求得一株以CART为基函数的线性组合树GDBT(如式②),以及对应的代价函数(如式③),即AI风控引擎。
当然对于训练得到的AI风控引擎,工作人员可以进行手动调整,以对AI风控引擎进行完善。
步骤S20,在接收到借款请求时,获取所述借款请求对应借款用户的用户贷前数据,并将所述用户贷前数据分别输入预设专家引擎和所述AI风控引擎进行信贷评估;
本实施例中,在训练得到AI风控引擎后,即可使用该AI风控引擎进行借贷评估了。值得说明的是,本实施例中,并非只使用AI风控引擎进行评估,而是同时使用AI风控引擎和预设的专家引擎、采用双核风控的方法进行信贷评估。其中,预设专家引擎的含义如上述,是由风控专家或是相关工作人员对大量贷款数据分析后进行经验(规律)总结,再将这些经验总结转化为计算机的逻辑算法,从而构成了该专家引擎的评估规则。
具体的,金融机构的风控模型在接收到借款用户的提出借款请求时(该借款请求包括了借款金额和借款周期等),会获取借款用户的相关贷前数据(贷前数据包括借款方的信用情况、个人财力、银行往来记录、社保缴纳情况、通话数据等),并将这些风控数据分别输入至预设专家引擎和AI风控引擎,并通过预设专家引擎和AI风控引擎分别对借款请求进行评估。
步骤S30,获取所述预设专家引擎的专家评估结论和所述AI风控引擎的AI评估结论,并基于所述专家评估结论和AI评估结论生成对应的决策建议。
本实施例中,通过预设专家引擎和AI风控引擎分别对借款请求进行评估后,将得到对应的专家评估结论和AI评估结论,并结合专家评估结合和AI评估结论可得出决策建议(如借款金额,借款周期等)。
在具体实施中,对于专家评估结论和AI评估结论,可以是以分值的方式进行体现,分值范围为0到100;分值越高,则表明借款用户的借款请求的坏账率越低;在通过预设专家引擎和AI风控引擎分别对借款请求进行评估、得到专家分值和AI分值两个评估分值时,还需将专家分值和AI分值进行加权运行后,可得到一个综合评估值,该综合评估值的含义与单核评估所得的评估分值类似,范围也是0到100之间,分值越高,则表明借款用户的借款请求的坏账率越低;而对于不同的分值段,其对应了不同的信用额度,其信用额度即代表了向该借款用户放款的建议最大额度和最大放款周期;通过计算该借款用户的综合评估值,即可确定该借款用户的信用额度,从而生成了对应的放款建议(包括放款额度和放款周期)。
当然在具体实施中,对于专家评估结论和AI评估结论,也可以两分的评估结论(即同意放款和拒绝放款两分),而决策建议的生成过程也可以是以其它方式实现,上述举例并不构成对本实施例信贷评估方法的限定。
进一步的,本实施例中,在生成决策建议后,风控模型还可生成对应的信贷评估报告。该信贷评估报告中包括了评估过程使用到的借款用户贷前数据,还包括对贷前数据评估得到的专家评估结论、AI评估结论,以及最终的决策建议等。而在信贷评估报告中,由于涉及到大量数据,因此可自定义数据的显示方式。例如,贷前数据中包括了借款用户前3个月的总支出,每个月的支出又包括水电支出、电话业务支出、***等内容;对于每个月的支出,可以用饼状图的方式进行显示,方便决策人员了解借款用户每个月对不同事物的资金投入情况;而对于3个月总支出情况,则可以在用一副柱状图进行显示,方便决策人员了解借款用户每个月的支出趋势。当然不同类型的数据的显示方式可以由决策人员根据实际情况进行配置。
本实施例中,通过获取历史信贷数据,并根据所述历史信贷数据构造AI风控引擎;在接收到借款请求时,获取所述借款请求对应借款用户的用户贷前数据,并将所述用户贷前数据分别输入预设专家引擎和所述AI风控引擎进行信贷评估;获取所述预设专家引擎的专家评估结论和所述AI风控引擎的AI评估结论,并基于所述专家评估结论和AI评估结论生成对应的决策建议。通过以上方式,本实施例以机器学习的方法构造AI风控引擎,并通过AI风控引擎和专家规则引擎同时对借款请求进行评估,采用双引擎评估的方式获得决策建议,大大降低人类思维局限性对引擎构造和信贷评估过程的不利影响,提高风控模型的评估能力,有效降低了贷款的坏账率。
参照图3,图3为图2所述在接收到借款请求时,获取所述借款请求对应借款用户的用户贷前数据,并将所述用户贷前数据分别输入预设专家引擎和所述AI风控引擎进行信贷评估的细化流程示意图。
基于上述图2所示实施例,本实施例中,步骤S20包括:
步骤S21,在接收到借款请求时,根据所述借款请求中包括的用户标识和授权许可生成对应的数据获取请求,并将所述数据获取请求发送至数据管理***,以获取对应的用户贷前数据;
步骤S22,接收所述数据管理***反馈的用户贷前数据,并将所述用户贷前数据分别输入所述预设专家引擎和AI风控引擎进行信贷评估。
本实施例中,对于借款用户的贷前数据,往往会涉及到借款用户的隐私,而这些贷前数据是需要从其它数据源获取的,例如,借款用户的银行卡消费记录需要从银行***获得的,借款用户的话费账单数据需要从电信公司获得的;若风控模型要获取这些贷前数据,需要先得到借款用户的许可和授权。具体的,借款用户在发送借款请求时,该借款请求中包括了借款用户的身份标识(如身份证号等身份信息),还包括借款用户的授权许可信息(如电子签名等),以表明借款用户允许风控模型(金融机构)获取自己的相关贷前数据进行信贷评估。风控模型在接收到该借款请求时,将根据其中的用户标识和授权许可生成对应的数据获取请求,并将该数据获取请求发送至相关的数据管理***(如银行***、电信公司等)。数据管理***在接收到该数据获取请求时,首先会获取其中的用户标识,确定本次数据获取请求是需要获取哪位用户的相关数据;然后将对该授权许可进行验证,判断该授权许可的真伪性,从而确定请求获取数据的风控模型是否为合法获取者;当授权验证通过时,数据管理***将查询对应的用户贷前数据,并将该数据返回至风控模型。风控模型在接收到数据管理***反馈的用户贷前数据时,即可将该用户贷前数据分别输入所述预设专家引擎和AI风控引擎进行信贷评估。
参照图4,图4为本发明信贷评估方法第二实施例的流程示意图。
基于上述图2所示实施例,本实施例中,步骤S30之后,还包括:
步骤S40,获取所述借款用户的用户贷后数据,并将所述用户贷前数据和用户贷后数据组合得到迭代训练样本;
步骤S50,通过所述迭代训练样本对所述AI风控引擎进行迭代训练,以对所述AI风控引擎进行调整。
本实施例中,考虑到随着时间的发展,不同的经济周期及社会因素可能会对AI引擎的AI规则(评估逻辑)造成影响,使得某些因子的有效区间产生了摆动,例如月收入6000元,在不同的物价条件下,其数据的权重因子是不一样的;为了使得AI引擎能够适应经济周期和社会实际状况,需要对AI引擎不断进行修正和调整。具体的,在确定向借款用户放款后,风控模型还将持续获取借款用户贷后数据(如还款记录,消费记录等);然后将步骤S20所得的贷前数据和该贷后数据组合得到迭代训练样本,通过该迭代训练样本对的AI引擎不断进行修正调整,调整的内容包括改变参数的阈值、更改某些风控数据或评估因子的优先级、改变数据的权重等;例如,AI引擎的策略算法中,数据权重等级为1到5,对于用户借款时提供数据中,A数据权重等级为5,也就是说A数据对于判断用户是否能按时偿还贷款具有较大的参考价值;而通过若干贷后数据发现,A数据的参考价值并没有意想中的大,此时AI引擎将对原有的策略算法进行修正,降低A数据的权重等级。对AI引擎调整后,再在新的贷款周期中给出借款用户可能出现逾期或坏账的可能性,再用新的周期的实际的贷后数据进行反馈修正。通过这种迭代的训练方式,不断对AI引擎进行改进,逐步提升评估准确率。
此外,本发明还提供一种信贷评估装置。
参照图5,图5为本发明信贷评估装置第一实施例的功能模块示意图。
本实施例中,所述信贷评估装置包括:
引擎构造模块10,用于获取历史信贷数据,并根据所述历史信贷数据构造AI风控引擎;
信贷评估模块20,用于在接收到借款请求时,获取所述借款请求对应借款用户的用户贷前数据,并将所述用户贷前数据分别输入预设专家引擎和所述AI风控引擎进行信贷评估;
建议生成模块30,用于获取所述预设专家引擎的专家评估结论和所述AI风控引擎的AI评估结论,并基于所述专家评估结论和AI评估结论生成对应的决策建议
进一步的,所述历史信贷数据包括历史贷前数据和历史贷后数据,所述引擎构造模块10,还用于分别将所述历史贷前数据和历史贷后数据作为输入训练集和输出训练集,并基于上述输入训练集和输出训练集对初始机器学习模型进行分析训练,得到AI风控引擎。
进一步的,所述初始机器学习模型通过专家规则冷启动。
进一步的,所述输入训练集中的输入元素包括维度为m的多维向量x,所述输出训练集中的输出元素包括贷款不良率y,
所述引擎构造模块10,还用于将所述输入元素和输出元素进行组合,定义出m个多维训练向量组
{(x1,y1),(x2,y2),…,(xm,ym)};
基于梯度提升树GBDT算法对所述多维训练向量组中的多维训练向量进行学习,获得对应的决策树
T(x;θm),
其中,θm为所述决策树的参数;
将所述决策树进行线性组合,得到线性组合树
所述线性组合数的代价函数为
f(x)=l(h(x,D),Y),
其中,所述h(x,D)为假设函数,为所述决策树的决策结果,所述代价函数f(x)的泰勒公式一阶展开为:
其中,为前t颗决策树的加权和,
为最速下降迭代公式,
为假设函数的梯度;
根据所述线性组合树和代价函数获得AI风控引擎。
进一步的,所述信贷评估模块20包括:
数据获取单元,用于在接收到借款请求时,根据所述借款请求中包括的用户标识和授权许可生成对应的数据获取请求,并将所述数据获取请求发送至数据管理***,以获取对应的用户贷前数据;
信贷评估单元,用于接收所述数据管理***反馈的用户贷前数据,并将所述用户贷前数据分别输入所述预设专家引擎和AI风控引擎进行信贷评估。
进一步的,所述建议生成模块30包括:
加权运算单元,用于获取所述预设专家引擎的专家评估结论和所述AI风控引擎的AI评估结论,并基于所述专家评估结论和AI评估结论进行加权运算,获得所述借款用户的信用额度;
建议生成单元,用于根据所述信用额度生成对应的放款建议,其中所述放款建议包括放款额度和放款周期。
进一步的,所述信贷评估装置还包括:
数据组合模块,用于获取所述借款用户的用户贷后数据,并将所述用户贷前数据和用户贷后数据组合得到迭代训练样本;
迭代训练模块,用于通过所述迭代训练样本对所述AI风控引擎进行迭代训练,以对所述AI风控引擎进行调整。
其中,上述信贷评估装置中各个模块与上述信贷评估方法实施例中各步骤相对应,其功能和实现过程在此处不再一一赘述。
此外,本发明还提供一种计算机可读存储介质。
本发明计算机可读存储介质上存储有信贷评估程序,所述计算机可读存储介质上存储有信贷评估程序,其中所述信贷评估程序被处理器执行时,实现如上述的信贷评估方法的步骤。
其中,信贷评估程序被执行时所实现的方法可参照本发明信贷评估方法的各个实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。