1. 课程导论：贷后风险拦截的业务背景、Model Serving 的定义与价值、课程目标与学习路径
1.1 贷后风险拦截的业务背景
在信贷全生命周期中，贷后管理是风险暴露最集中、损失最直接的阶段。当贷款发放后，借款人可能因收入下降、多头共债、欺诈团伙作案等原因出现逾期或失联。传统的贷后管理依赖人工催收与规则引擎，但面对亿级在贷用户与秒级响应需求，静态规则已无法有效拦截动态风险。
贷后风险拦截的核心目标是在借款人发生实质性逾期之前，通过实时模型预测其违约概率，并在交易、提现、续贷等关键节点触发拦截动作，从而降低不良率与资金损失。
关键业务指标对比：
| 指标 | 传统规则引擎 | 模型驱动拦截 |
|---|---|---|
| 响应时效 | 秒级（规则固定） | 毫秒级（模型在线推理） |
| 特征维度 | 10~50 个 | 500~2000+ 个 |
| 策略迭代周期 | 周/月级 | 天/小时级 |
| 拦截准确率 | 60%~75% | 85%~95% |
| 误杀率 | 10%~20% | 3%~8% |
贷后风险拦截的典型场景包括：
- 交易拦截：借款人尝试大额转账或提现时，模型实时评估当前欺诈风险。
- 续贷审批：用户申请额度循环使用，模型判断其还款能力是否恶化。
- 催收策略分配：根据模型预测的失联概率与还款意愿，动态分配催收渠道。
1.2 Model Serving 的定义与价值
Model Serving（模型服务）是指将训练完成的机器学习模型部署到生产环境中，对外提供稳定、低延迟、高可用的在线推理接口的过程。在贷后风险拦截场景中，Model Serving 是连接数据管道与业务决策的桥梁。
核心定义： Model Serving ≠ 模型训练。训练关注离线 AUC/LogLoss，Serving 关注在线延迟、吞吐量、资源消耗与模型版本管理。
Model Serving 在贷后拦截中的四大价值：
- 毫秒级实时推理：在用户发起提现或交易时，模型必须在 50ms 内返回风险评分，否则拦截动作将失去时效性。
- 特征一致性保障：离线训练使用的特征分布必须与在线 Serving 保持一致，避免训练-推理偏差（Training-Serving Skew）。
- 模型版本管理与灰度：支持 A/B 测试、金丝雀发布，确保新模型上线不影响现有拦截效果。
- 资源弹性伸缩：贷后拦截流量具有明显的峰谷特征（如月末还款日），Serving 系统需支持自动扩缩容。
| 维度 | 离线训练 | 在线 Serving |
|---|---|---|
| 数据时效 | T+1 / 批量 | 实时 / 准实时 |
| 延迟要求 | 无严格限制 | P99 < 100ms |
| 特征来源 | Hive / 离线数仓 | Redis / Kafka / 实时特征 |
| 模型格式 | Pickle / ONNX | TensorRT / Triton / TorchServe |
| 监控重点 | 过拟合 / 特征重要性 | 延迟 / 吞吐 / 特征漂移 |
1.3 课程目标与学习路径
本课程面向具备机器学习基础、希望深入掌握生产级模型部署与贷后风控实践的工程师。课程采用理论 + 实战双线并行模式，覆盖从模型导出到线上监控的全链路。
课程三大目标：
- 掌握 Model Serving 核心原理：理解模型序列化、推理优化、特征一致性、版本管理等关键技术。
- 构建贷后拦截 Serving 系统：从零搭建支持高并发、低延迟的实时推理服务，并集成风控规则。
- 具备生产级运维能力：学会监控模型漂移、延迟异常、资源瓶颈，并制定灰度发布与回滚策略。
学习路径与章节规划：
| 阶段 | 章节范围 | 核心内容 |
|---|---|---|
| 基础篇 | 第 1~5 章 | 贷后业务理解、Serving 架构选型、模型导出与 ONNX 转换 |
| 实战篇 | 第 6~15 章 | 实时特征管道搭建、Triton 部署、A/B 测试、性能调优 |
| 进阶篇 | 第 16~25 章 | 模型漂移检测、多模型编排、GPU 推理优化、灾备设计 |
| 综合篇 | 第 26~30 章 | 全链路压测、生产故障排查、贷后拦截系统案例复盘 |
学习建议： 每章均配有可运行的代码示例与数据集，建议在本地或云环境搭建实验环境（推荐 4 核 16G 以上配置）。实战章节需要 Docker 与 Kubernetes 基础。
通过本课程的学习，你将能够独立设计并维护一套生产级的贷后风险拦截 Serving 系统，在保证模型效果的同时，满足金融业务对稳定性与时效性的严苛要求。