1. 课程导论与信用评分模型概述
1.1 信用评分模型在金融风控中的核心价值
信用评分模型是金融风控体系的核心引擎，它将借款人的历史行为、属性特征与还款能力之间的复杂关系，转化为一个可量化的分数或概率值。这一分数直接决定了信贷审批、额度授予、利率定价等关键决策。
| 价值维度 | 传统人工审批 | 信用评分模型 |
|---|---|---|
| 决策效率 | 平均 2-3 天，依赖人工经验 | 毫秒级自动决策，7×24 小时 |
| 一致性 | 不同审批员标准差异大 | 同一模型输出完全一致 |
| 区分能力 | 仅能识别明显违约特征 | 捕捉非线性、高维风险信号 |
| 可解释性 | 依赖主观判断 | 可输出各特征对分数的贡献 |
| 迭代速度 | 规则调整周期数月 | 模型版本更新以周为单位 |
关键指标： 一个成熟的信用评分模型通常能将坏账率降低 30%-50%，同时将审批通过率提升 15%-25%，实现风险与收益的平衡。
1.2 模型 Serving 的定义与重要性
模型 Serving（模型服务化部署）是指将训练完成的信用评分模型，以稳定、低延迟、可扩展的 API 或批处理接口形式，部署到生产环境中，实时响应业务系统的评分请求。
- 离线 Serving： 每日/每小时批量计算全量用户评分，结果写入数据库供业务系统查询。适用于贷后监控、额度重估等非实时场景。
- 在线 Serving： 用户发起申请时，实时调用模型接口，在 100ms 内返回评分结果。适用于审批决策、反欺诈拦截等实时场景。
为什么 Serving 是模型落地的关键瓶颈？ 很多数据科学团队在 Jupyter Notebook 中训练的模型 AUC 达到 0.85，但部署到生产后因特征缺失、数据漂移、响应超时等问题，实际效果可能降至 0.70 以下。Serving 环节决定了模型在真实业务中的最终价值。
1.3 本课程的学习目标
完成本课程后，学员将具备独立设计、实现和维护信用评分模型生产级 Serving 系统的能力。具体目标如下：
- 掌握 Serving 架构设计： 理解在线/离线/边缘三种部署模式的适用场景，能够根据业务需求选择最优架构。
- 精通特征工程生产化： 实现训练与推理特征计算的一致性，解决特征穿越、缺失值在线处理等工程难题。
- 熟练部署主流模型： 使用 Docker/Kubernetes 部署 XGBoost、LightGBM、逻辑回归、深度学习等模型。
- 构建监控与告警体系： 设计模型性能监控（PSI、AUC 衰减）、数据漂移检测、延迟与错误率告警。
- 实现 CI/CD/CT 流水线： 建立模型训练、测试、部署、监控的自动化 MLOps 闭环。
1.4 前置知识要求
| 知识领域 | 具体要求 | 建议学习资源 |
|---|---|---|
| Python 编程 | 熟练使用 Pandas、NumPy、Scikit-learn；了解 Flask/FastAPI 基础 | Python 官方教程 + FastAPI 文档 |
| 机器学习基础 | 理解分类模型、特征工程、过拟合、AUC/KS 等评估指标 | 《机器学习实战》或 Andrew Ng 课程 |
| Linux 基础 | 常用命令行操作、进程管理、网络配置 | 《鸟哥的 Linux 私房菜》基础篇 |
| Docker 基础 | 理解镜像/容器概念，能编写 Dockerfile 并运行容器 | Docker 官方 Get Started 教程 |
| SQL 基础 | 能编写多表 JOIN、聚合查询、子查询 | SQLZoo 在线练习 |
重要提示： 本课程不讲授信用评分模型本身的建模算法（如逻辑回归、XGBoost 的参数调优），而是聚焦于模型训练完成后，如何将其稳定、高效、可维护地部署到生产环境。如果你尚未掌握基础的模型训练技能，建议先完成相关前置课程。