1. 课程导论与目标
1.1 授信决策引擎：金融风控的“大脑”
在信贷业务全流程中，授信决策引擎是连接数据、策略与业务增长的核心枢纽。它并非单一的模型，而是一套集成了规则、评分卡、机器学习模型与业务逻辑的实时决策系统。每一次信用卡审批、每一笔消费贷放款、每一次额度调整，背后都是决策引擎在毫秒级时间内完成的风险定价与策略匹配。
核心价值：授信决策引擎将人工经验转化为可量化、可回溯、可迭代的自动化决策流，是金融机构实现“千人千面”风控与规模化经营的技术基石。
下图展示了授信决策引擎在金融风控体系中的位置与核心交互关系：
1.2 课程学习目标
本课程旨在帮助学员系统掌握授信决策引擎从模型开发到生产部署的全链路技能。完成本课程后，学员将能够：
| 序号 | 能力维度 | 具体目标 |
|---|---|---|
| 1 | 架构理解 | 清晰描述授信决策引擎的模块组成、数据流与部署拓扑 |
| 2 | 模型部署 | 独立完成评分卡、XGBoost、神经网络等模型的容器化部署与API封装 |
| 3 | 策略编排 | 掌握规则引擎与模型结果的融合策略，实现冠军/挑战者模式与灰度发布 |
| 4 | 性能优化 | 针对高并发场景进行模型推理优化、缓存策略与资源调优 |
| 5 | 监控运维 | 搭建模型监控看板，实现数据漂移检测、性能衰减预警与自动回滚 |
| 6 | 安全合规 | 理解模型可解释性要求、隐私计算与监管报送的工程落地 |
1.3 适用人群
本课程面向以下三类核心学员，每类学员的侧重点有所不同：
- 风控算法/模型工程师：希望突破“只做模型训练”的瓶颈，掌握模型上线部署、性能调优与监控运维的全栈能力。
- 金融系统架构师/后端开发：需要深入理解风控业务逻辑，设计高可用、低延迟的决策引擎架构，并落地模型服务。
- 风控策略/产品经理：希望建立对决策引擎技术实现的技术认知，更高效地与工程团队协作，推动策略快速迭代。
1.4 前置知识要求
为保障学习效果，建议学员具备以下基础：
| 知识领域 | 具体要求 | 推荐自检方式 |
|---|---|---|
| Python 编程 | 熟练使用 Pandas、NumPy、Scikit-learn；了解 Flask/FastAPI 基础 | 能独立编写数据预处理与模型预测脚本 |
| 机器学习基础 | 理解逻辑回归、决策树、XGBoost 原理；了解模型评估指标（KS、AUC、PSI） | 能解释评分卡的分箱与WOE编码逻辑 |
| Linux & Docker | 掌握基本命令行操作；了解容器化概念与 Dockerfile 编写 | 能运行一个简单的 Flask 容器 |
| 数据库与SQL | 熟悉关系型数据库查询；了解键值存储（Redis）的基本使用 | 能编写多表关联查询与聚合统计 |
学习建议：如果对 Docker 或模型评估指标尚不熟悉，建议在课程前两周集中补强。本课程在关键章节会提供“前置知识速览”作为辅助材料。
1.5 课程内容概览
本课程共分为 6 个模块，30 个章节，从基础架构到生产运维形成完整闭环：
重要提示：本课程强调“工程落地”而非“算法理论”。每个模块都配有可运行的代码示例、配置文件与部署脚本，建议学员在本地或云环境搭建实验环境，边学边练。