1. 课程导论与项目背景
1.1 逾期预测模型在金融风控中的核心价值
在信贷业务全生命周期中，逾期预测模型是量化借款人未来违约概率的核心工具。它通过历史行为数据、交易特征、外部征信等多维信号，输出一个0~1之间的风险评分（通常称为PD值，Probability of Default），帮助金融机构在贷前审批、贷中监控、贷后催收等环节做出数据驱动的决策。
关键业务价值：
- 降低坏账率：提前识别高风险客户，减少本金损失。
- 提升审批效率：自动化风险评分替代人工经验判断，秒级响应。
- 优化资金成本：对低风险客户提供更优利率，增强市场竞争力。
- 满足监管合规：可解释的风险模型满足巴塞尔协议及国内征信合规要求。
传统上，逾期模型以离线批处理方式运行（如T+1日跑批），但在当前高频交易、实时信贷场景下，这种延迟已无法满足业务需求。模型必须从“离线”走向“实时”。
1.2 实时部署与API发布的意义
将训练好的逾期预测模型封装为RESTful API，并部署到生产环境，意味着任何业务系统（如信贷审批前端、手机App、核心账务系统）都可以通过HTTP请求实时获取风险评分。这种架构带来的核心收益如下表所示：
| 维度 | 离线批处理模式 | 实时API部署模式 |
|---|---|---|
| 响应延迟 | 小时级 ~ 天级 | 毫秒级 ~ 秒级 |
| 业务场景 | 贷后监控、批量催收 | 实时审批、交易拦截、额度调整 |
| 模型更新 | 全量重训，停机部署 | 蓝绿部署/金丝雀发布，零停机 |
| 可观测性 | 日志文件，事后分析 | 实时指标、链路追踪、告警 |
| 资源利用率 | 波峰波谷明显，资源浪费 | 弹性伸缩，按需付费 |
行业趋势：据Gartner预测，到2026年超过70%的新建金融风控系统将采用实时推理架构。掌握模型实时部署与API发布能力，已成为MLOps工程师的核心竞争力。
1.3 课程整体架构与学习目标
本课程以逾期预测模型为贯穿案例，从模型训练、容器化封装、API开发、CI/CD流水线、生产部署到监控告警，完整覆盖一条生产级MLOps链路。课程分为以下五个阶段：
- 模型准备与容器化：训练LightGBM逾期模型，使用Docker打包推理服务。
- API开发与测试：基于FastAPI构建RESTful接口，编写单元测试与负载测试。
- CI/CD与自动化部署：使用GitHub Actions + Docker Compose实现自动构建与部署。
- 生产环境运维：配置Nginx反向代理、Prometheus监控、Grafana看板。
- 进阶与最佳实践：模型版本管理、A/B测试、安全加固、成本优化。
完成本课程后，你将能够：
- 独立将训练好的机器学习模型封装为生产级API。
- 搭建从代码提交到生产部署的自动化CI/CD流水线。
- 配置实时监控与告警，保障服务SLA。
- 理解金融风控场景下模型部署的特殊要求（延迟、安全、可解释性）。
1.4 课程适用人群与前置知识
| 角色 | 前置要求 | 课程收益 |
|---|---|---|
| 机器学习工程师 | 熟悉Python、sklearn/LightGBM | 掌握模型部署、API开发、Docker容器化 |
| DevOps/SRE工程师 | 了解Docker、CI/CD基础概念 | 学会MLOps专用工具链与模型服务化 |
| 金融科技开发者 | 有Web开发或风控系统经验 | 构建生产级实时推理服务 |
| 技术管理者 | 了解机器学习基本流程 | 评估MLOps技术选型与团队建设 |
⚠️ 重要提示：本课程不涉及模型算法原理的深度讲解（如LightGBM内部机制），重点聚焦在“如何将已有模型部署到生产环境并对外提供稳定服务”。如果你希望深入模型调参或特征工程，建议先学习相关专项课程。
1.5 课程技术栈一览
本课程涉及的核心工具与框架如下，所有工具均为开源或免费版本：
| 类别 | 工具/框架 | 用途 |
|---|---|---|
| 模型训练 | LightGBM, scikit-learn, pandas | 特征工程、模型训练与评估 |
| API框架 | FastAPI, Uvicorn | 构建高性能RESTful推理接口 |
| 容器化 | Docker, Docker Compose | 环境封装与多服务编排 |
| CI/CD | GitHub Actions | 自动化构建、测试与部署 |
| 反向代理 | Nginx | 负载均衡、SSL终止、限流 |
| 监控 | Prometheus + Grafana | 指标采集与可视化 |
| 日志 | ELK Stack (Filebeat + Elasticsearch + Kibana) | 集中式日志管理 |
💡 学习建议：建议在开始课程前，先在本机安装Docker Desktop（Windows/Mac）或Docker Engine（Linux），并注册GitHub账号。课程所有代码均提供完整仓库，可直接克隆运行。