中小銀行試水大模型風控應用調查：強調“使用性價比” 賦能自主風控能力升級
21世紀經濟報道記者 陳植 上海報道
隨着大模型與金融業態的融合日益緊密，越來越多中小銀行正密切關注大模型在零售信貸場景風控領域的應用前景。
不過，相比大型銀行構建大模型底層技術應用在各個場景風控環節，中小銀行則更傾向引入第三方風控科技平臺的大模型能力，通過指令微調與場景適配等方式提升自身的信貸風控效率。
近日，21世紀經濟報道聯合騰訊安全在長沙舉行商業銀行高層閉門系列研討會，邀請衆多中小銀行分享自身在大模型風控應用的最新進展與具體挑戰。
一位城商行IT部門負責人向記者指出，一直以來，中小銀行在風控建模方面普遍存在樣本量小、風控模型迭代週期偏慢、風控建模人才不足等問題，大模型技術可以在這些方面顯著解決中小銀行的風控短板。
他也直言，中小銀行試水大模型技術的風控應用，仍存在數據少、數據精度不足、數據不出行、如何平衡大模型風控與銀行自主風控的關係、大模型風的解釋性較低、多模型數據入參難等挑戰。
記者多方瞭解到，由於資源投入有限，多數中小銀行對大模型參數的訴求，不是一味求大，而是更考慮“使用性價比”——選擇更契合自身業務場景風控需求的外部大模型產品。
騰訊安全金融風控總經理陳波向記者透露，如今越來越多金融機構都在考慮引入金融大模型產品，一方面能加快自身風險模型迭代步伐，更好地應對外部環境所帶來的業務風控挑戰，另一方面則致力於解決小樣本量風控建模所帶來的各種短板。
“尤其在當前經濟環境下，部分金融機構面臨新增零售信貸業務風控難與存量零售風控業務風險上升的雙重挑戰，都對自身風控提出越來越高的要求。但以往，金融機構會通過調整風控規則閾值以控制信貸風險，但如今他們也發現，僅僅依靠調整閾值而不改變風控模型，未必能起到很好的抗風險效果。”他指出，這背後的一個重要原因，是宏觀經濟波動加大等因素等不同類型或場景客羣的信用風險結構可能已發生變化，因此金融機構要構建更完善的風控體系，需具備更多能力，包括風控模型迭代能力、數據處理能力、樣本更新能力等。
記者獲悉，這驅動越來越多中小銀行等金融機構正將風控策略從傳統的“規則對抗”轉向以“模型對抗”，進一步提升自身風控體系的主動性、有效性與及時性。
中小銀行的大模型風控應用進展
今年以來，越來越多中小銀行也在嘗試將大模型技術應用在各個場景風控環節。
上述城商行IT部門負責人向記者透露，目前他們已將語言大模型與圖像大模型技術應用在零售信貸風控場景，旨在從複雜異構的海量數據抽取差異化的風控指標。
以司法判決文書爲例，傳統AI技術或傳統NLP技術仍很難精準識別並抽取這份司法判決文書的類型，結果是勝訴還是敗訴，以及勝訴的具體金額，對信貸客戶信用狀況的具體影響有多大等。於是他所在的城商行嘗試通過圖像大模型將上述有效信息識別並抽取出來。
“目前的效果相當不錯，比如大模型技術能很好地進行判決文書的分類，以及分類後的抽取勝訴金額數據，以及對信貸客戶信用狀況的具體影響，有助於我們將更多差異化風控指標嵌入到現有的信貸風控體系。”他向記者指出。此外，通過圖像大模型技術，他們還能識別部分信貸申請用戶進行人臉識別過程的“場所背景”是否趨同，分析其中存在團伙信貸欺詐等風險。
此外，也有中小銀行嘗試通過大模型技術成功實現“多模態數據入參”。以往，這些中小銀行發現要從衆多中小微企業與個體戶收集統一的結構化數據相當很難，導致銀行在風控環節無法更全面深入地挖掘各個細分行業小微企業的業務發展狀況，若大模型技術能解決“多模態數據入參”（比如中小企業只需打印銀行流水賬單，大模型就能抓住其中重要企業財務數據並作爲參數納入風控模型），就能提升銀行的敢貸願貸能貸水準。
值得注意的是，儘管中小銀行在大模型技術風控應用方面取得諸多進展，但受制於資金投入相對有限，中小銀行對大模型技術的引入或應用，基本都會選擇“最經濟實惠”的使用方式。
具體而言，多數中小銀行認爲大模型在信貸風控領域的應用，首先應解決風控模型迭代速度偏慢與小樣本量風控建模兩大挑戰。
“目前在對抗黑灰產組織信貸欺詐攻擊方面，隨着人臉識別技術日新月異，我們很可能剛上線了一個關於人臉識別的風控模型，黑灰產組織很快就找到新科技攻克它，如此我們的風控迭代週期一旦稍稍放慢，就存在較大的風控隱患；此外數據質量也是提升風控模型精度的重要前提，尤其在反欺詐與反洗錢環節，若我們採集或處理的數據稍有滯後，也可能留下風控隱患。”一位中小銀行風控部門主管向記者指出。
陳波向記者透露，目前大模型技術在解決上述兩大風控挑戰方面已有相當良好的成效。比如騰訊雲金融風控大模型通過參與衆多金融業務場景的風控實踐，積累了大量風險知識庫，覆蓋汽車金融、小額短期信貸、消費分期、大額長期、互金場景、銀行助貸與聯合貸等衆多場景，並將這些風險知識庫與場景相關的知識提取出來，與不同類型金融機構的樣本進行融合，形成多模態融合與增強學習，既能有效提升金融機構小樣本量風控建模效率與精準性，又能加快金融機構風險模型迭代步伐，更快地應對外部經濟環境變化與黑灰產組織的新型信貸欺詐攻擊。
記者還了解到，部分中小銀行還嘗試通過大模型+小模型的方式實現大模型在風控領域的應用。具體而言，一是大模型起到任務分解與調度作用，小模型在特定場景實現快速迭代，達到“與時俱進”的風控效率，二是在部分業務場景讓大模型部分“替代”小模型，以達到更好的降本增效作用。
諸多挑戰有待解決
儘管不少中小銀行在大模型風控應用方面取得諸多進展，但如何說服銀行高層繼續追加投入，仍是一大挑戰。
“目前，大模型可解釋性問題一直困擾着我們，無論是大模型技術，還是普通統計學模型，我們在具體使用過程，特別是會商會審過程都經濟會面臨大模型可解釋性問題。目前相比傳統的統計學模型，大模型生成的某些風控結論的可解釋性相對偏低，這也令我們說服銀行高層追加投入的難度加大。”一位城商行IT部門人士向記者感慨說。此外，隨着大模型在信貸風控領域的作用越來越大，如何平衡大模型風控與銀行自主風控之間的關係，同樣是一大挑戰。
陳波向記者透露，針對上述狀況，第三方風控科技平臺已制定相應的解決方案，比如將大模型技術生成的風控結論作爲金融機構整個風控體系的一個變量，這個變量主要解釋用戶某些行爲的信用風險大小，再將這個變量加入傳統的信貸風控評分卡模型，作爲銀行等金融機構開展風控決策的一個維度。如此既能在某種程度解決大模型的可解釋性問題，又不會影響到銀行自主風控要求。
也有中小銀行人士透露，目前他們在嘗試引入外部大模型風控技術時，還遇到“數據不得出行”挑戰。因爲銀行高層擔心，一旦引入大模型技術對銀行內部樣本數據進行預訓練，就會出現數據“出行”問題，有可能存在數據泄露等風險。
陳波指出，圍繞“數據不出行”，騰訊安全也嘗試了不同的解決方案，比如在中小銀行本地部署大模型技術，因爲大模型背後是海量的知識庫，這些知識庫其實不與外部互聯網對接，如此銀行使用本地部署的大模型技術進行風控建模與數據預訓練時，就不存在“數據出行”的煩惱；與此同時，騰訊安全會定期將更新的風控參數或風控模型在銀行本地進行迭代，在做到數據不出庫的情況下加快風控模型的迭代步伐。
記者獲悉，當前中小銀行在使用大模型技術時，還特別看重小樣本量風控建模的泛化性問題。長期以來，不少中小銀行發現風控模型在運行一段時間後，都會出現“漂移”，即風控模型的風控效果開始衰退。因此他們希望金融風控大模型能引入大量場景風控知識庫，輔以強化學習+知識蒸餾方式，令中小銀行在採取少量樣本風控建模後，其風控效果仍能在相當長時間後保持較高水準。
陳波指出，當前金融機構的新信貸產品上線，或信貸業務由線下轉向線上，通常會遇到少量或零樣本風控建模狀況，需冷啓動風控策略，導致他們不得不面對不可預知的風險。面對這種狀況，騰訊雲金融風控大模型可以協助金融機構克服這些困難，究其原因，一是騰訊安全具有豐富的黑灰產對抗經驗，沉澱跨業務場景的多模態風控知識庫，覆蓋不同業務場景的模型，特徵和標籤等；二是通過Prompt方式向金融機構提供的無標籤樣本或者小樣本做知識抽取，並與多模態知識庫做知識融合，能進一步提升風控效率；三是通過強化學習對生成式樣本做模型訓練，相比傳統的小樣本學習算法的KS（Kolmogorov-Smirnov，評估模型效果的一種指標）提升逾20%，四是騰訊安全融合海量跨場景風控知識庫，能覆蓋不同類型的欺詐和違約模式，令風控模型的泛化能力變強。