决策演进历程

演进
/ˌiːvəˈluːʃ(ə)n,ˈɛvəluːʃ(ə)n/

词性:名词

随时间逐步变化。在决策系统中,指从手工编写规则转向模型,再回到清晰、可测试的逻辑。

决策演进历程

决策逻辑不断变化。需求变化往往快于代码更新,静态规则逐渐触及边界。随着业务需求增加,团队开始从硬编码逻辑转向预测模型。

从最早的计算机问世起,人们就开始编写决策逻辑。「if X then Y else Z」这种模式从一开始就存在。管理者看到了机器重复作出决策的价值,自动化决策也逐渐普及。

管理者选定一项要自动化的决策。分析师梳理规则流并审核,IT 团队再编写硬编码程序来运行规则。在当时,这是一次重大进步。

这看起来很简单。实际操作中,定制系统变更缓慢,维护成本也高。等到编码、测试和部署完成,需求往往已经发生变化,自动化因此落后于业务。

硬编码暴露了简单 if-then 逻辑的局限。静态代码难以表达复杂决策和预测结果。决策涉及的变量太多,系统难以妥善处理这种复杂性。

决策演进历程

 

随后出现了规则管理系统。这类平台让用户可以直接管理规则和决策过程,决策管理方式由此发生了明显变化。

代码仍然发挥作用,但编程语言更简单,也更容易阅读。规则管理逐渐成为实用的工作方式。部署速度加快,自动化决策过程的变更也更容易管理。

随后,无代码平台应运而生。团队可以通过可视化界面搭建和管理复杂的决策逻辑。这一领域逐渐成熟,团队的选择也随之增加。

决策演进的下一阶段是预测分析。近来,大语言模型和智能体 AI 改变了团队构建决策支持原型和编排工具的方式。

许多重要的业务决策涉及多个因素,结果也因此变得复杂。出于这个原因,一些高风险决策仍由人工处理。大语言模型适合用于探索,但它们基于概率生成结果,同一任务多次运行可能得出不同结果。在金融和保险领域,最终决策必须具有确定性,并且能够重放。

预测模型会分析复杂数据集,并通过统计方法构建。模型通常由专业人员设计和维护,这可能拖慢应用进度,也会限制使用范围。智能体系统可以协调多个服务中的任务,但仍需要明确的控制机制。

自动化机器学习(AutoML)可以在这里发挥作用。用历史数据训练模型,模型就能生成未来预测。例如,要评估一个人能否偿还贷款,可以用过往还款数据训练模型,预测其还款或违约的可能性。

决策自动化已进入成熟阶段。AutoML 为构建数据驱动的决策支持方案提供了另一种方式,也能缩短构建时间。模型和 LLM 可为决策提供参考,决策逻辑则约束决策过程,确保每项结果都能追溯并接受审计。

常见问题

如何将现有信贷决策从硬编码程序中迁出?

先选一项经常变更,或每次更新都要耗费大量工程时间的决策。记录它的输入、策略规则、例外情况和当前结果,再在受控环境中重建决策逻辑。将新版本与历史决策进行比较,并在发布前调查所有重大差异。策略负责人批准变更前,继续保留当前实现。

如何判断是否值得在授信决策中加入 AutoML?

用模型未参与训练的数据检验预测结果,并评估预测效果的改善是否足以改变放贷结果,从而抵消新增成本。评估时也要计入数据质量检查、性能监控和模型再训练所需的工作。如果预测结果无法改善放贷机构能够据此采取行动的决策,就继续使用较简单的方法。

发布授信决策逻辑变更前,需要测试哪些内容?

用结果已知的历史申请测试修订后的逻辑,包括边界值、缺失信息和常见例外情况。将批准率及其他相关结果与当前版本比较,并在发布前调查异常变化。由策略负责人审核并批准变更,同时商定如果线上结果与预期不符,如何恢复到之前的版本。

已部署的授信决策逻辑应多久复核一次?

可以先按月监控资产组合结果,并至少每季度安排一次正式策略复核。当放贷标准、经济状况、数据来源或观察到的损失发生重大变化时,应提前复核。具体频率取决于资产组合变化的速度,以及过时决策可能造成的损害。记录每次策略变更的原因和批准人。

将这些审核规则纳入决策流

制定信贷、反欺诈或催收规则,并用于实际决策。