1. 课程导论与业务背景
1.1 额度定价在信贷业务中的核心地位
额度定价是信贷业务中连接风险控制与商业收益的“中枢神经”。它直接决定了三个关键指标:
- 风险敞口:授信额度过高会放大违约损失,过低则抑制业务增长。
- 收益覆盖:利率定价必须覆盖资金成本、运营成本与预期损失,同时保留合理利润。
- 客户体验:动态、个性化的额度与利率能显著提升客户转化率与留存率。
在贷前、贷中、贷后全生命周期中,额度定价决策的实时性与准确性,已成为金融机构核心竞争力的分水岭。
关键数据:据行业调研,采用实时模型serving进行额度定价的机构,其首笔授信响应时间从分钟级降至毫秒级,客户转化率平均提升 15%-25%。
1.2 模型serving与决策链路的关系
模型serving(模型服务化)是将训练好的机器学习模型部署到生产环境,对外提供实时推理API的过程。而决策链路则是从请求触发到最终决策返回的完整路径。两者关系可概括为:
| 维度 | 模型serving | 决策链路 |
|---|---|---|
| 核心职责 | 加载模型、特征计算、推理打分 | 规则编排、策略路由、结果聚合 |
| 性能要求 | 低延迟(P99 < 50ms)、高吞吐 | 高可用(99.99%)、事务一致性 |
| 变更频率 | 模型版本迭代(周/月级) | 策略参数调整(日/周级) |
| 典型组件 | TensorFlow Serving、Triton、ONNX Runtime | 规则引擎(Drools)、决策表、工作流编排 |
在额度定价场景中,决策链路通常按以下顺序调用模型serving:
- 准入校验:黑名单、多头借贷、反欺诈规则。
- 额度预估:调用回归模型或评分卡,输出初始额度。
- 利率定价:基于风险分层模型,输出差异化利率。
- 策略叠加:结合用户生命周期、渠道优惠、运营活动进行最终调整。
- 结果返回:封装决策结果,异步写入日志与数据仓库。
1.3 课程目标与学习路径
本课程旨在帮助学员掌握从模型训练完成到生产环境稳定serving,再到与决策链路无缝集成的完整实战技能。具体目标如下:
| 模块 | 核心能力 | 产出物 |
|---|---|---|
| 模型serving基础 | 掌握TensorFlow Serving、Triton的部署与调优 | 可运行的serving容器 |
| 特征工程上线 | 实现离线特征与在线特征的一致性校验 | 特征pipeline代码 |
| 决策链路集成 | 将模型serving嵌入规则引擎与工作流 | 集成接口与策略配置 |
| 额度定价策略 | 设计并实现动态额度与利率定价逻辑 | 定价策略模板 |
| 监控与A/B测试 | 搭建serving监控看板与灰度发布流程 | 监控告警规则 |
学习路径建议按以下顺序推进:
- 基础篇(第1-5章):理解业务背景与模型serving原理,搭建本地开发环境。
- 实战篇(第6-15章):从单模型serving到多模型集成,逐步构建完整决策链路。
- 进阶篇(第16-25章):深入性能优化、高可用部署、安全与合规。
- 综合篇(第26-30章):完成一个完整的额度定价系统项目,涵盖全流程。
学习建议:每章都配有可运行的代码示例与配置文件,建议在本地或云环境动手实践。遇到问题可先查阅章节末尾的“常见问题”部分。
前置要求:学员需具备基础的Python编程能力,了解机器学习基本概念(如特征、模型、推理),熟悉Linux命令行操作。如对Docker和Kubernetes有基本了解更佳。