风控评分模型serving部署实战案例 - 第1节
1.1 风控评分模型 Serving 的定义
风控评分模型 Serving（模型服务化部署）是指将训练完成的机器学习评分模型（如逻辑回归、XGBoost、神经网络等）封装为可对外提供实时或批量预测接口的服务组件，使其能够接收业务请求并返回风险评分或决策结果的过程。在信贷与支付场景中，Serving 层是连接数据管道与业务系统的关键桥梁。
核心定义：模型 Serving ≠ 模型训练。训练关注 AUC/KS 等离线指标，Serving 关注延迟、吞吐量、可用性、一致性等在线工程指标。
1.1.1 Serving 在 MLOps 中的位置
在完整的 MLOps 生命周期中，Serving 处于模型交付与持续运营阶段，是模型产生业务价值的最终环节。
1.2 在信贷/支付场景中的核心价值
风控评分模型 Serving 在金融业务中承担着“决策引擎”的角色，其核心价值体现在以下四个维度：
| 价值维度 | 业务场景 | 具体收益 |
|---|---|---|
| 实时决策 | 信贷申请审批、支付交易拦截 | 毫秒级返回评分，支撑高并发实时风控 |
| 一致性保障 | 模型版本管理、A/B 测试 | 线上评分与离线训练结果对齐，避免模型漂移 |
| 弹性扩展 | 大促流量洪峰、业务快速增长 | 自动扩缩容，保障 SLA 不降级 |
| 可观测性 | 模型监控、数据质量告警 | 实时追踪评分分布、特征缺失率、响应延迟 |
业务视角：一个稳定高效的评分模型 Serving 系统，可以直接降低坏账率 5%-15%，同时将审批通过率提升 10%-20%，是风控中台的核心基础设施。
1.3 本实战案例的业务目标
本课程以一个真实的消费信贷申请评分卡项目为蓝本，模拟从模型训练完成到生产环境部署的全流程。业务目标如下：
- 模型服务化：将训练好的 XGBoost 评分模型封装为 RESTful API，支持单笔和批量评分请求。
- 特征工程在线化：将离线特征处理逻辑（WOE 编码、缺失值填充、异常值截断）迁移至 Serving 管道，保证特征一致性。
- 性能达标：单次评分延迟 < 50ms（P99），吞吐量 > 1000 QPS（单节点）。
- 可观测性建设：集成 Prometheus 指标暴露与 Grafana 看板，监控模型输入/输出/延迟/异常。
- 版本管理与回滚：实现模型版本热切换，支持一键回滚至上一版本。
1.4 数据概览
本案例使用公开的 Home Credit Default Risk 数据集（经脱敏与特征工程简化），模拟信贷申请人的基本信息与信用记录。数据分为训练集与线上模拟数据集两部分。
1.4.1 核心字段说明
| 字段类别 | 字段名称 | 数据类型 | 说明 |
|---|---|---|---|
| 目标变量 | TARGET | int (0/1) | 1=违约，0=正常还款 |
| 基础信息 | AMT_INCOME_TOTAL | float | 年收入总额 |
| 基础信息 | AMT_CREDIT | float | 贷款金额 |
| 基础信息 | DAYS_BIRTH | int | 年龄（负值，取绝对值） |
| 信用历史 | EXT_SOURCE_1/2/3 | float | 外部信用评分源（含缺失） |
| 衍生特征 | CREDIT_TO_INCOME_RATIO | float | 贷款收入比（WOE 编码后） |
1.4.2 数据规模与 Serving 模拟
- 训练集： 30 万条样本，40+ 原始特征，经特征工程后生成 120+ 衍生特征。
- 线上模拟数据集： 1 万条样本，用于模拟实时评分请求，包含正常样本与少量对抗样本。
- 特征缺失率： EXT_SOURCE 字段缺失率约 15%-30%，Serving 层需实现在线缺失值填充策略。
注意：本案例数据已做脱敏与简化处理，仅用于教学演示。实际生产环境中，特征数量可达数百维，且需处理更复杂的时序依赖与数据漂移问题。
1.5 课程技术栈与架构预览
本实战案例采用以下技术栈构建 Serving 系统：
| 组件 | 技术选型 | 职责 |
|---|---|---|
| 模型框架 | XGBoost + Scikit-learn | 模型训练与序列化 |
| Serving 框架 | FastAPI + Uvicorn | RESTful API 服务 |
| 特征管道 | Pandas + NumPy（自定义 Transformer） | 在线特征工程 |
| 容器化 | Docker + Docker Compose | 环境打包与编排 |
| 监控 | Prometheus + Grafana | 指标采集与可视化 |
| 版本管理 | MLflow Model Registry | 模型版本存储与切换 |
下图展示了本案例的 Serving 系统整体架构：
课程路线图：从本章开始，我们将依次完成特征管道封装 → 模型序列化 → API 服务开发 → Docker 容器化 → 监控集成 → 版本管理 → 压测与调优，最终交付一个生产级风控评分模型 Serving 系统。