另外在我们的实践应用过程中，我们发现在突破单个风险点来临的时候，整个网络会出现一些局部风险，并形成连接，比如说形成一些三角或者四角的关系等。从长远的时间上看，这样的关系可能未必不正常，但是一定时间内，你的申请人形成了非常紧密的联系，这件事情是值得注意的。
除了个人局部的风险特征以外，还有全局的。我们用到了一些优化后的算法，每一个人在整个网络中，都会出现一些高的风险点，对和他有社交关系的人也会存在辐射效应。对于个人来说，可能在一度二度三度关系上，会和一个或是几个坏人有一些联系，现在社交比较发达，如果出现大片这样子的人，可以通过辐射算法捕捉到这样的信号。
另外在网络这块，很重要的一点就是整个系统的回转和流程优化。因为网络欺诈有一个特性，对于实时性甄别以及实时修改性上限要求特别高，同时我们学习的目标，不是一个纯事实，很多都是学习专家认定为欺诈的经验，这样的结果对本身的优化是很有价值的，从整个产品来看，形成了数据加工、数据计算和反馈的闭环。
我们也有专家的界面，网络捕捉风险之后，我们的专家都可以看到。
下面分享一下我们氪信在特征加工上的实践。可能了解AI的人特别清楚，我们最后做模型结果的时候，如果是优秀的话，这个优秀的绝大部分来自于我们非常辛苦的加工过程。
我们会看到个人的加工方法，很多时候会有一些不局限性，比如说文本的特征，通过一些方法或者通过不同时间维度的方法，可以描绘出几百个维度的特征，但是不可能达到完备的状态，我们确实需要借助技术本身的能力达到提升。
氪信在小额信用贷的场景里面，尝试用深度学习像循环神经网络处理时序的数据一样处理文本，效果还是非常不错的，我们整个的特征过程是包含了
专家的部分以及深度学习自动生成的特征共同传递给模型，并且进行了最终的预测和识别。 这边举一个具体的例子，刚才我提到时序的特征。比如我在不同的时间窗口，是不是要穷尽所有的特征？有可能我们花费了大量的时间，只可以覆盖80%的部分，但是我们用循环神经网络利用长短时记忆的特征，可以捕捉数据在不同窗口趋势类、统计类等不同的特征，从而衍生出来上万种特征，最后我们把这些交给模型，让它来识别哪些是有效的。
建模部分。我们曾做过很多相关的实践，像浅层的偏现金的模式，有它的优势，比较稳定，人也好理解。也尝试过中间阶段端到端的深度学习的方法，通过反神经网络的方法捕捉之间的关联。
最后通过实践结果，我们认为集成模型在金融风控场景里，是一个判断好坏既稳定又有效的手段。集成模型的思想是用不同的子分类器，处理不同的数据。我会选择最好的分类器处理面临的数据，在上面去做一个集成，优势就出来了，就是好而不同，说的直白一点就是三个臭皮匠顶个诸葛亮。从模型性能来看，集成方法无论是拟合能力、模型的预测能力，以及换一个场景它的稳定能力都是非常好的。同时，集成模型在各个场景里也可以实现迁移。现在在氪信的产品体系里面，也融合了这个方法。
在信用贷场景里面，我们和传统模型相比性能提升了1倍，稳定在KS值0.3以上，坏账率直接下降46%。这使得我们很兴奋，是技术给业务直接带来了效果。
氪信要做的就是把AI技术加到金融风控里面，而这个领域里面还是有很多事情可以做的。我们在实践的过程中，同时把方法形成一套产品体系，帮助金融机构解决问题。我们氪信有相应的云数据的服务，有机器学习建模平台，有在线风控引擎，可以帮助完成企业互联网+的升级。 数据核心是我们沉淀的这条金融图谱的知识体系，从原始的需要用什么数据，到加工挖掘数据，再到上层怎么连接管理它，形成精准完备的画像。
另外在系统的整个过程和AI的运营中，从设备接入到数据的加工处理，到得出结果等等，整个都是自动化的过程。现在现金贷的量非常大，解放人力已经成为重要需求，因此我们确确实实需要这样一套数据智能一体化的产品。