用 Decisimo 简化机器学习模型部署:决策平台

用 Decisimo 部署机器学习模型

Decisimo 可用于部署通过 Python 或 R 训练的机器学习模型。

模型可以接入更完整的决策流程,适用于依靠机器学习进行决策的企业和机构。

用模型搭建决策流

Decisimo 的一项主要能力是搭建决策流。将 Python 或 R 训练的模型纳入更完整的决策流程很简单直接,例如用于概率评估或客群分群。

Decisimo 也支持优化模型,可用于确定最优报价或组合,让决策流程更易管理。

串联模型并加入决策组件

Decisimo 还可以将多个模型串联起来,纳入决策逻辑。

一个决策过程中可以运行多个模型,有助于提升决策的一致性和可靠性。

Decisimo 还支持其他决策组件,例如规则集、决策表和数学函数,能增强对决策流程的控制。

不同行业的应用示例

Decisimo 可用于搭建决策流,也可接入预训练模型,适用于多种行业和场景。

消费贷款中的信用评分模型

例如,在消费贷款业务中,可以使用通过 Python 或 R 训练的机器学习模型,根据申请人的财务历史和其他因素预测其信用状况。

模型输出可以纳入 Decisimo 的决策流,用于确定申请人适用的利率或贷款条件。

风险定价和产品推荐

模型输出还可用于推荐其他产品,或建议调低、调高首付。

这种风险定价方式有助于放贷机构改进授信决策,也有助于为借款人提供公平、透明的放贷服务。

营销和客户服务

Decisimo 也可用于营销、客户服务等领域。例如,在客户服务中,可以使用通过 Python 或 R 训练的机器学习模型,预测客户申请退款的可能性。

该概率输出随后可以纳入 Decisimo 的决策流,用来确定最佳处理方式,例如提供折扣或推荐替代产品。

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。

Decisimo 相较传统机器学习运维的优势

相较于需要单独搭建模型平台,再将其接入其他决策支持系统的传统机器学习运维方式,Decisimo 具有明显优势。

在 Decisimo 中,机器学习模型和决策逻辑运行在同一平台,团队可以在一个地方管理决策。

复杂且耗时的集成工作不再必要。决策管理方式更简单,效率也更高。

易用的界面,便于管理决策流程

Decisimo 还提供清晰的界面,便于管理决策过程。

团队协作开展决策项目会更方便,也有助于提高决策过程的透明度、明确责任归属。

无代码平台,业务人员也能管理决策逻辑

使用 Decisimo 无需编程技能,也无需掌握编程语言或云运维等专业知识。

这是一个无代码平台,业务人员可以更新决策逻辑、调整规则,并快速发布到生产环境。

非技术人员也可以调整决策流程,使其适应业务需求的变化。

Decisimo:完整的决策解决方案

总体而言,Decisimo 是一个实用的平台,可简化机器学习模型的部署,并将模型纳入更完整的决策流程。

它提供完整的决策解决方案,无需进行复杂的集成工作,决策管理方式也更简单,效率更高。

常见问题

放贷机构如何为信用模型设定截断值?

根据放贷机构已批准的风险偏好,以及误批和误拒的成本设定截断值,再由信贷团队审核并批准相应的决策逻辑。比较不同申请人群体的结果,并检查有多少申请接近截断值。单看评分无法确定合适的阈值,适用于某一产品或申请人构成的截断值,未必适用于其他情况。

将模型接入授信决策流之前,放贷机构应测试什么?

用历史申请数据回放模型和拟采用的决策逻辑,再将审批、拒绝、定价和结果与当前方案进行比较。检查决策流是否按预期处理缺失或异常的模型输出,并按申请人群体查看结果。发布前由信贷团队批准变更。历史测试有助于发现问题,但不能保证未来表现。

什么情况下适合将模型和决策逻辑放在同一平台?

如果团队需要同时管理模型输出、规则集、决策表或数学函数,并希望在同一处审核策略变更,可以考虑使用集成平台。也要与模型服务分开部署的方案比较,包括集成工作量、变更由谁负责,以及各系统如何记录版本变更。如果现有集成已能满足团队需求,采用集成平台未必会让管理更简单。

什么情况下应将申请转人工审核,而不是依据模型评分作出决策?

当评分的不确定性较高,或误判成本足以要求人工评估时,可在评分截断值附近设置审核区间。信贷团队应确定并批准审核区间、审核人员可以参考的信息,以及可以采取的处理方式。还要考虑审核能力:如果转人工审核的申请过多,决策可能变慢,也会增加团队负担。

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。