1. 风控评分通道概述
1.1 什么是风控评分通道
风控评分通道（Risk Scoring Channel）是金融信贷、保险、电商等业务中，将用户请求（如借款申请、交易授权）转化为风险评分并输出决策结果的完整处理链路。它不是一个孤立的模型，而是一套包含特征工程、模型推理、规则引擎、决策路由的端到端管道。
一个典型的评分通道包含以下核心环节：
| 环节 | 职责 | 典型组件 |
|---|---|---|
| 请求接入 | 接收上游业务系统的评分请求，进行参数校验与协议转换 | API Gateway、Nginx、gRPC Server |
| 特征计算 | 从原始数据中提取模型所需的特征变量 | 特征工程管道、实时特征计算引擎 |
| 模型推理 | 加载训练好的风控模型，对特征进行评分计算 | Model Serving 框架（Triton、TorchServe、ONNX Runtime） |
| 规则后处理 | 对模型评分进行阈值判断、人工规则叠加、拒绝/通过决策 | 规则引擎（Drools、自研规则系统） |
| 结果输出 | 将评分、决策码、拒绝原因返回给业务系统 | 响应组装、日志记录、异步消息 |
关键认知： 风控评分通道 ≠ 模型本身。模型只是通道中的一个计算节点，通道的整体性能（延迟、吞吐、可用性）决定了风控系统能否在生产环境中稳定运行。
1.2 Model Serving 在风控中的核心价值
Model Serving（模型服务化）是将训练好的风控模型部署为可被实时调用的服务，并管理其生命周期、版本、资源与监控。在风控场景中，Model Serving 的价值体现在以下四个维度：
- 低延迟推理： 风控决策通常要求在 100ms 内完成，Model Serving 通过模型优化（量化、剪枝、TensorRT）和高效运行时（GPU/CPU 混合调度）保障 SLA。
- 高可用与弹性： 风控通道是业务核心链路，Model Serving 需要支持多副本、自动扩缩容、故障转移，确保 99.9%+ 的可用性。
- 模型版本管理： 风控模型频繁迭代（周级甚至天级），Model Serving 提供 A/B 测试、灰度发布、回滚能力，降低上线风险。
- 特征与模型解耦： 通过 Model Serving 将特征计算与模型推理分离，使特征工程团队和模型团队可以独立迭代。
| 价值维度 | 风控场景要求 | Model Serving 解决方案 |
|---|---|---|
| 延迟 | P99 < 100ms | 模型编译优化、GPU 推理、批处理 |
| 可用性 | 99.9%+ | 多副本部署、健康检查、自动恢复 |
| 迭代速度 | 周级模型更新 | 热加载、版本路由、蓝绿部署 |
| 可观测性 | 全链路追踪 | Prometheus 指标、日志、Trace |
实践建议： 在风控评分通道中，Model Serving 不应只关注模型推理本身，还要关注与上游特征服务、下游规则引擎的接口协议、超时策略、熔断机制。一个健壮的 Model Serving 层是评分通道稳定性的基石。
1.3 课程目标与前置知识
本课程旨在帮助风控架构师和 AI 工程化工程师，掌握从模型训练完成到生产环境稳定服务的完整实践路径。课程覆盖以下核心目标：
- 理解评分通道架构： 掌握风控评分通道的组件划分、数据流、关键设计原则。
- 掌握 Model Serving 框架： 深入 Triton Inference Server、TorchServe、ONNX Runtime 的部署与调优。
- 生产化能力： 模型版本管理、A/B 测试、监控告警、弹性伸缩、故障恢复。
- 性能优化： 模型量化、批处理策略、GPU 显存管理、延迟优化。
- 安全与合规： 模型加密、访问控制、数据脱敏、审计日志。
前置知识要求
为获得最佳学习效果，建议学习者具备以下基础：
- 机器学习基础： 理解分类模型（逻辑回归、XGBoost、神经网络）、特征工程、模型评估指标（KS、AUC、F1）。
- Python 编程： 能够编写 Python 脚本进行模型加载、推理调用、数据处理。
- Docker 与容器化： 了解 Docker 镜像构建、容器运行、docker-compose 编排。
- Linux 基础： 常用命令行操作、进程管理、网络配置。
- 风控业务认知（加分项）： 了解信贷风控、反欺诈、交易风控的基本流程。
注意： 本课程不涉及风控模型训练算法本身，重点在于模型训练完成后的服务化部署、运维、优化。如果你对模型训练更感兴趣，建议先学习相关课程再回来。