• <track id="6sua3"></track>

  • <menuitem id="6sua3"></menuitem>
  • <menuitem id="6sua3"></menuitem>

    <progress id="6sua3"><bdo id="6sua3"></bdo></progress>
    <samp id="6sua3"></samp>

        1. <samp id="6sua3"></samp>

            京東供應鏈金融科技依托因果推斷技術,助力解決小微企業融資難題

            2023-02-24 16:25:47     來源:中國科技新聞網

            小微企業融資難是普遍存在的行業難題,而小微企業又是國民經濟的重要支柱,是擴大就業、改善民生、促進創業創新的重要力量,一直受到國家和地方的高度重視和大力扶持,也是京東供應鏈金融科技所要助力解決的核心問題之一。提高風控能力,是解決小微企業融資難題的核心。為此,京東科技從2017年開始提出依托大數據能力、使用因果推斷技術識別客戶的資金需求與風險來進行額度決策,即uplift技術。經過數年實踐,證明uplift技術可在整體風險可控的前提下實現精準提額,相比于傳統額度制定方案,客戶對額度的滿意程度有所提升,實現了雙方共贏,形成良性循環。京東科技在因果推斷技術上持續進行深入探索,先后在AAAI、IJCNN、PRICAI等多個國際頂級人工智能會議上發表研究成果。

            因果推斷技術研究的一個核心問題是,基于已發生條件下的事實,如何預測出其他條件下的結果,即反事實推斷。而額度決策所遇到的難題恰是如此,金融服務方難以判斷若給用戶更高額度,用戶的風險是否還會可控。而京東科技在實踐中發現,因果推斷技術落地還存在諸多技術難題:1)信息混雜嚴重:額度決策的過程中中會存在信息混雜,比如在我們研究額度對風險的影響時,如果統計觀測的信息,就會發現額度越高的用戶風險會越低,這是因為我們給信用越好的用戶越高的額度,但是這并不意味著我給用戶的額度越高,其風險會越低,這種同時影響額度和風險的因素,就稱作混雜因子。若不做對應的處理,混雜帶來的偏差可能產生不良后果。2)上線測試成本高:信貸領域預期用戶的損失金額很大,因此雖然通過隨機測試可以解決第一個問題,但成本很高。3)解釋性要求高:由于額度管理這種決策類的模型難以離線地去評估效果,只有上線A/B測試才能準確知道一個決策是否合理,因此對方法和決策結果的合理性要求都很高。

            針對這些問題,京東科技在近年來倍受學術界和工業界關注的雙重機器學習(Double Machine Learning)領域進行了多年探索,2021年曾在AAAI上發表了一篇論文《The Causal Learning of Retail Delinquency》, 該研究提出用雙重機器學習的框架可以有效量化多取值的授信策略與用戶風險之間的因果關系,從而指導更準確的風險管理與風險控制。但在研究中發現雙重機器學習也存在缺陷,同時估計傾向性得分(propensity score)和潛在結果(Potential Outcome)存在復合誤差的問題。一種極端的情況是,當傾向性得分對于某些樣本估計錯誤或者是非常接近0/1時,使用雙重機器學習估計平均因果效應會產生較大誤差。以往已經有不少關于實際操作上如何解決這類缺陷的研究,例如傾向性得分修剪(trimming)等方法,但是如何從理論上解決這類問題卻鮮有耳聞,也并未有相關文獻對此進行過理論證明或闡述。今年早些時候,京東科技著手于這個領域在國際神經網絡聯合會議(IJCNN)上發表了一篇相關論文《Robust Causal Learning for the Estimation of Average Treatment Effects》,提出了一種新的雙重機器學習方法,被稱為魯棒因果學習(Robust Causal Learning),從而克服了上述傳統雙重機器學習的缺陷,首先,做到了和傳統雙重機器學習具有同樣的一致性和雙重穩健性;其次,克服復合誤差問題。同時通過大量的相關實驗證實了其所提出的魯棒因果學習相較于傳統雙重機器學習確實可以對因果參數給出更穩定的估計,并且估計的誤差更低。為了進一步從表示空間的層面上避免過度平衡(over-balanced)的問題,并充分用正交信息(orthogonality information),京東科技繼續深入研究,在環太平洋國際人工智能(PRICAI'22)上發表文章《Moderately-Balanced Representation Learning for Treatment Effects with Orthogonality Information》,提出了moderately- balanced representation learning (MBRL) 框架。MBRL通過多任務學習的來保護表示層不會被過度平衡,并利用訓練和驗證階段的噪聲正交信息來更好地估計ATE。

            京東科技持續投入,不僅取得了豐富的學術成果,更是將前沿的學術研究在金融信貸領域落地,不斷提高以因果推斷技術為基礎的普惠金融服務能力,實現精細化、智能化、自動化的決策,成為最懂金融的科技公司。

            未來展望,京東科技持續投入,不斷提高以因果推斷技術為基礎的普惠金融服務能力。同時,作為京東集團技術能力對外服務的主要出口,京東科技將因果推斷技術輸出服務于銀行、消金等金融機構客戶。京東科技提出的新型雙重機器學習方法,也可以很好的克服傳統方法的技術缺陷。對于金融機構提升客戶精準識別能力,給與普惠客戶和中小微企業更加準確的額度有著重要的作用。幫助金融機構給與對應客更多的準確額度,也從一定程度上助力中小微企業解危紓困,具有很好的社會意義和價值。在科技創新與應用的道路上,京東科技也會始終攜手客戶與合作伙伴,創造更多有價值新技術與新應用。


            科技新聞傳播、科技知識普及 - 中國科技新聞網
            關注微信公眾號(kjxw001)及微博(中國科技新聞網)
            微信公眾號
            微博

            免責聲明

            中國科技新聞網登載此文出于傳遞更多信息之目的,并不意味著贊同其觀點或證實其描述。文章內容僅供參考,不構成投資建議。投資者據此操作,風險自擔。


            推薦閱讀
            已加載全部內容
            點擊加載更多
            www.97sese.com.