信用评分模型在线推理链路资料 - 第1节
1.1 信用评分的业务背景
信用评分是金融机构对借款人未来还款意愿与还款能力的量化评估结果，广泛应用于信贷审批、额度核定、风险定价与贷后管理。评分越高，代表违约风险越低；评分越低，则代表违约风险越高。
核心业务价值： 将人工经验转化为标准化、可复用的数字决策，降低不良率、提升审批效率、支撑大规模自动化授信。
1.1.1 评分卡模型与机器学习模型的区别
传统评分卡模型与机器学习模型在建模思路、可解释性、部署方式上存在显著差异。下表从多个维度进行对比：
| 对比维度 | 传统评分卡模型 | 机器学习模型 |
|---|---|---|
| 建模方法 | 逻辑回归 + 变量分箱 + WOE编码 | XGBoost / LightGBM / 神经网络等 |
| 可解释性 | 高（每个特征有明确分数贡献） | 中低（需借助SHAP/LIME等工具） |
| 特征工程 | 人工分箱、单调性约束强 | 自动特征交叉、非线性拟合能力强 |
| 在线推理 | 查表累加分数，计算量极小 | 需加载模型文件，计算复杂度较高 |
| 监管合规 | 易通过，模型透明 | 需额外解释性报告，部分场景受限 |
| 迭代周期 | 较长（月/季度级） | 较短（周/天级） |
业界趋势： 目前头部金融机构普遍采用“双轨制”——内部合规场景使用评分卡，高精度场景（如反欺诈、实时营销）使用机器学习模型，两者互补。
1.2 在线推理的定义与挑战
在线推理（Online Inference）是指在用户发起信贷申请或交易请求的瞬间，系统实时调用信用评分模型，在毫秒至秒级时间内返回评分结果的过程。与离线批量评分不同，在线推理对延迟、稳定性、并发能力有极高要求。
1.2.1 在线推理核心流程
一次完整的在线推理链路通常包含以下步骤：
- 请求接入： 接收上游业务系统（如APP、H5、核心系统）的评分请求。
- 特征获取： 从数据仓库、缓存、第三方接口实时拉取用户特征数据。
- 特征加工： 执行缺失值填充、异常值处理、分箱映射、WOE转换等预处理逻辑。
- 模型计算： 加载模型权重或规则表，执行评分计算。
- 结果后处理： 分数校准、拒绝推断、阈值判定、输出决策建议。
- 结果返回： 将评分、决策码、拒绝原因等封装为JSON/Protobuf返回给调用方。
关键约束： 整个链路必须在业务容忍的SLA内完成（通常P99 < 500ms），且需保证高可用（99.99%+）与数据一致性。
1.2.2 在线推理面临的主要挑战
将信用评分模型从离线训练环境迁移到在线生产环境，会面临以下技术挑战：
- 延迟敏感： 特征工程中的复杂计算（如实时聚合、外部数据源调用）可能成为瓶颈。
- 特征一致性： 在线使用的特征必须与训练时完全一致，否则会导致评分偏移（Score Drift）。
- 模型版本管理： 多版本模型同时在线（A/B测试、灰度发布）时，路由与回滚策略复杂。
- 资源开销： 机器学习模型（尤其是深度学习）对CPU/GPU、内存消耗大，需合理规划部署规格。
- 监控与告警： 需要实时监控特征分布、分数分布、响应时间、错误率，及时发现异常。
1.3 在线推理链路架构总览
下图展示了一个典型的信用评分模型在线推理链路架构，涵盖从请求接入到结果返回的完整组件与数据流向。
1.4 评分卡与机器学习模型在线推理对比
由于评分卡与机器学习模型在计算逻辑上存在本质差异，其在线推理的实现方式也截然不同。下表从技术实现角度进行详细对比：
| 技术维度 | 评分卡模型 | 机器学习模型 |
|---|---|---|
| 计算方式 | 查表累加（分箱映射 + 分数求和） | 矩阵运算 / 树模型遍历 |
| 模型存储 | 配置文件 / 数据库表 | 模型文件（PMML / ONNX / pickle） |
| 推理引擎 | 规则引擎（Drools / 自研） | TensorFlow Serving / Triton / MLflow |
| 特征预处理 | 分箱映射表 + WOE转换 | 标准化 / 归一化 / Embedding |
| 延迟典型值 | < 10ms | 10ms ~ 200ms（视模型复杂度） |
| 资源消耗 | 极低（纯内存计算） | 较高（需GPU或高配CPU） |
| 版本切换 | 热加载配置 | 需重启服务或蓝绿部署 |
选型建议： 对于监管要求高、业务逻辑稳定的场景（如房贷、车贷），优先选择评分卡；对于需要捕捉复杂非线性关系、追求极致区分度的场景（如现金贷、反欺诈），优先选择机器学习模型。