本篇文章1669字，读完约4分钟
随着国内互联网金融监管的加强，小额信贷的定位更加明确，行业自身的规范建立，借助大数据和机器学习进行风险控制变得越来越重要，相关领域的公司逐渐被追捧。
雷锋。搜索“雷锋”。据悉，近日，法国金融技术公司creditx氪正式完成了数千万元的预筹融资，由idg名誉合伙人杨新创立的火山石基金牵头，正格基金紧随其后。2015年底，氪星还获得了正格基金牵头的700万元天使融资。
氪星主要利用机器学习和大数据分析技术提供风险信用评估和用户价值操作，为金融公司提供风险控制和营销决策。宇新的产品包括不太可能的发动机和xcloud。前者是大数据风险控制决策引擎；后者可以简单地理解为基于大数据的daas(数据即服务)服务。
该公司创始人朱铭捷告诉雷锋。这一轮融资将主要用于与上下游数据源的合作、金融情景和市场拓展以及团队拓展。
机器学习在金融风险控制中的应用互联网贷款具有金额小、金额大的特点，而基于人工的风险控制成本过高、效率低下，因此有必要利用机器学习来帮助进行风险控制决策。朱铭捷认为，使用机器学习来进行风险控制仍处于非常早期的阶段，并且还有一个针对金融客户的市场教育过程。只有今年才会逐渐有商业需求。他告诉雷锋，将机器学习应用于风险控制有两个主要问题:
首先，数据太多，主要是因为数据特征维度太多。传统的风险控制主要利用金融相关的特征，这些特征通常有几十个维度，包括收入、流水和信贷。微观普惠金融需要多维数据，包括行为数据、应用数据和长期贷款。
第二，样本数据太小，因为消费金融等纯在线形式存在时间短，样本数据没有传统贷款多。
氪星的机器学习引擎将人类经验和机器能力结合起来。在网上贷款中，虽然数据不足，风险控制专家会有自己的逻辑，但人工审查的量不会很大。通过机器学习把经验复制到机器上，把不确定的东西交给风险控制专家，非常适合小额分散贷款。风控制专家将参与机器学习的训练迭代，最终模型将自动迭代，减少对人的依赖，避免人为操作的道德风险。
朱铭捷还提到了将机器学习应用于风力控制的可解释性。众所周知，深度学习等技术在人脸和语音识别方面已经取得了惊人的成果，但是关于其原理的讨论仍然很少，也就是说，我们不知道为什么会取得这样的成果。然而，金融机构特别注意模型的可解释性，一方面控制风险，另一方面与用户沟通。显然，不加解释就给出结果是不可接受的。
雷锋报道说，氪星的经验是用石灰捕捉结果中的关键变量或局部结果，然后让风控制专家迅速掌握哪些特征导致结果的变化。
魏表示，自去年底产品形成以来，氪星已与50多家金融机构合作，包括民生银行、中行消费金融等传统金融公司，以及网络金融、小营理财、浦发金融、飞雨等互联网金融公司。非概率引擎在传统金融场景中，风险控制指标的ks值在50%以上，并且ks值也在网络金融的反欺诈效果中处于领先地位。
目前，公司已经实现盈利，融资主要是为了平台的未来发展。朱铭捷表示，两轮融资的间隔时间短暂而迅速，这与张素杨从idg退休、建立新基金的时间相吻合。
朱铭捷不再讲述大数据风险控制的故事，他告诉雷锋。许多以前的大数据和机器学习风险控制实际上是在讲故事。在严格的监管下，fintech基础设施服务才刚刚开始。这些基础设施包括数据、模型、信用报告、风险控制和反欺诈。
但是，他认为这个市场会有明显的马太效应。虽然将来会有更多的公司加入，但首发团队会有更大的优势。因为他们在成熟的场景中有测试效果，模型会越来越完美。
进行风险控制有几个障碍，一是人才，二是数据和业务的积累。机器学习模型需要通过财务情景来检验，其效果是技术和业务的结合。
朱铭捷认为氪星的优势也在这里。他是微软亚洲研究院的博士。他在德国马克斯·普朗克研究所从事大规模数据挖掘工作。其他技术成员在大规模机器学习和应用方面也有成熟的经验。此外，他们也有一个很好的机会深入到金融机构的核心风险控制场景，使产品得到测试。
目前，氪星的风险控制引擎主要提供场景定制服务，未来将与新浪微博(Sina Micro Wealth)等云金融平台合作，有效推广和复制风险控制模式。
