风控规则引擎与模型看板联合推理实战 - 第1节
1.1 金融风控发展史：从人工经验到智能联合推理
金融风控的演进是数据、算法与业务需求三者螺旋上升的过程。理解这段历史，有助于我们把握规则引擎与模型看板联合推理的定位——它并非凭空出现，而是风控体系发展到“实时化、智能化、可解释”阶段的必然产物。
| 阶段 | 时间跨度 | 核心手段 | 典型特征 | 局限性 |
|---|---|---|---|---|
| 1.0 人工风控 | 2000 年前 | 信审员电话核实、线下尽调 | 依赖专家经验，决策周期 1~7 天 | 效率低、主观性强、无法规模化 |
| 2.0 规则引擎 | 2000~2010 | 专家规则 + 决策树 | 自动化决策，秒级响应 | 规则维护成本高，难以捕捉复杂欺诈模式 |
| 3.0 模型驱动 | 2010~2018 | 逻辑回归、随机森林、XGBoost | 高区分度，自动化特征工程 | 黑盒问题突出，模型迭代周期长 |
| 4.0 联合推理 | 2018 至今 | 规则 + 模型 + 知识图谱 + 实时特征 | 可解释、高召回、毫秒级联合决策 | 架构复杂度高，需要统一编排与监控 |
课程定位提示：本课程聚焦 4.0 联合推理阶段，重点解决“规则引擎如何与模型看板协同工作”这一工程与算法交叉的核心难题。
1.2 风控核心概念：欺诈、信用与合规
金融风控的三大支柱——欺诈风险、信用风险与合规风险——在检测目标、数据特征和决策时效上存在本质差异。规则引擎与模型看板在应对这三类风险时，承担的角色也各不相同。
1.2.1 欺诈风险（Fraud Risk）
- 目标：识别恶意、非本人意愿的交易或申请行为。
- 典型场景：盗刷、账户盗用、团伙骗贷、虚假资料包装。
- 数据特征：强时效性（秒级）、行为异常、设备指纹、IP 关联。
- 决策要求：实时拦截（毫秒级），高召回优先于高精确。
- 联合推理角色：规则引擎负责快速拦截已知攻击模式；模型看板负责捕捉未知、变种欺诈。
1.2.2 信用风险（Credit Risk）
- 目标：评估借款人未来按时还款的能力与意愿。
- 典型场景：信贷审批、额度授信、贷中监控。
- 数据特征：强结构化、历史借贷记录、收入负债比、多头借贷。
- 决策要求：分钟级可接受，精确率优先，需要可解释性。
- 联合推理角色：模型看板输出信用评分（如 A 卡、B 卡）；规则引擎执行硬性拒绝条件（如黑名单、多头超限）。
1.2.3 合规风险（Compliance Risk）
- 目标：确保业务符合反洗钱（AML）、制裁名单、KYC 等监管要求。
- 典型场景：大额交易上报、跨境汇款筛查、客户身份识别。
- 数据特征：名单匹配、交易金额阈值、国家/地区代码。
- 决策要求：零漏报，事后可追溯，审计友好。
- 联合推理角色：规则引擎主导名单匹配与阈值触发；模型看板辅助异常交易模式发现。
- 规则定义：支持 if-then-else、决策表、决策树、脚本规则（Groovy/Python）。
- 规则编排：优先级、互斥、依赖、循环检测。
- 规则测试：沙箱环境、历史回测、AB 实验。
- 规则监控：命中率、拒绝率、平均执行耗时。
- 模型注册：统一模型元数据（算法类型、版本、输入输出 Schema）。
- 模型推理：实时推理（ONNX/TensorRT）、批量推理（Spark/PMML）。
- 模型版本管理：灰度发布、回滚、冠军/挑战者实验。
- 模型监控：PSI、KS、AUC 实时计算、特征分布漂移检测。
常见误区：不要试图用单一模型同时解决欺诈与信用问题。欺诈是“对抗性”风险，信用是“统计性”风险，两者的特征分布和衰减速度完全不同，联合推理时需分别设计看板与规则集。
1.3 风控系统整体架构：规则引擎与模型看板的协同位置
一个生产级风控系统通常包含数据接入层、特征计算层、决策编排层、模型推理层、规则执行层以及监控反馈层。规则引擎与模型看板在决策编排层中实现“联合推理”，这是本课程的核心战场。
架构要点：规则引擎与模型看板在决策编排层中并行工作，通过统一的决策上下文（特征向量、中间结果、风险标签）进行联合推理。规则引擎擅长“确定性逻辑”与“快速拦截”，模型看板擅长“概率评估”与“复杂模式识别”。两者通过编排策略（如先规则后模型、规则与模型并行投票、模型分档触发规则）实现优势互补。
1.3.1 规则引擎的核心组件
1.3.2 模型看板的核心组件
实战建议：在联合推理架构中，建议将规则引擎的“硬拒绝”结果优先输出，避免模型对明显欺诈样本进行无效计算。例如：命中黑名单的请求直接拒绝，不进入模型推理，可节省 30%~50% 的模型计算资源。