将搜索引擎的机器学习技术用于风控 氪信希望指数级提高金融模型的训练效率

本篇文章1114字，读完约3分钟

氪星的创始人朱铭捷曾经是搜索引擎的数据工程师。目前，他已将该技术应用于金融风险控制，并于近期从正格基金获得了700万元人民币的天使投资。

氪星的产品包括两个部分:不太可能的发动机(以下简称“发动机”)和xcloud。发动机是一个数据模型处理系统，它解决了不同场景下的风控制模型修正问题。以物流行业为例，通过输入企业erp数据、位置信息数据等场景数据，利用机器学习技术调整各数据维度的权重，从而建立特定场景的风险控制模型。

Xcloud是一个数据收集和整理系统，可以连接身份信息、个人信用信息等一般信息，同时输出一个通用模型，也为“引擎”建模提供外部数据基础。氪星对传统场景的贡献在于改编和存储其数据，并为未来使用完善具有风险控制意义的指标。

根据朱铭捷的观点，机器学习的模式完全不同于统计方法。最初，在业务人员的帮助下，在半监督学习模式下，机器的学习速度可以达到传统模型的几百倍。传统上，金融机构需要10万个样本来建立模型，而机器只需要数千个样本。

目前，氪星的“引擎”输出信用额度和违约概率供金融机构决策。朱铭捷表示，他们已经与一些p2p公司进行了测试，他们的ks指数的综合测量准确率和召回率明显高于同类产品。从长远来看，氪星希望用技术解决基于情景的风险控制问题，建立完全基于数据的风险控制模型，不再依赖人力进行风险控制审计，从而提高信贷效率。

"海量数据的处理能力是我们的核心技术."朱铭捷说。朱铭捷已经在雅虎和易趣从事数据挖掘和机器学习工作10年了。他认为，搜索引擎需要服务于数亿用户，并理解他们真正的搜索意图。通常有数万个数据维度，但只有数百人负责训练机器学习。财务风险控制的数据维度明显小于搜索引擎的数据维度，因此建立财务模型可以视为能力维度的缩减。

信贷本身是一个交易量大、需求强的市场。当分成不同的场景时，它仍然非常大。以物流为例，其行业规模占国内生产总值的18%，这种情景可以支持数千亿的信贷规模。目前，氪气按照流量收费，而非应急发动机按照定制程度收费。

朱铭捷毕业于中国科技大学三年级，微软亚洲研究院博士，曾在德国马普研究所从事大规模数据挖掘工作。首席运营官孙楠在海外工作了几年，回国后负责携程的国际网站。目前，氪星已与民生银行、郑桐、小营金融、爱五五等10多家机构在服务物流、供应链、商户贷款、房地产等多个领域达成合作。

我是贾斯汀，《36氪星》的作者，专注于互联网金融和教育行业。欢迎与我联系讨论。我的微信是:196215239

原创文章，作者:劳查，如果转载，请注明出处:http://36kr/p/5044919

“读完这篇文章还不够吗？如果你也开始创业，希望你的项目被报道，请点击这里告诉我们！”