金融机构在风控过程中通常采用的是评分卡模型和规则引擎等“强特征”进行风险评分，而智能风控根据履约记录、社交行为、行为偏好、身份信息和设备安全等“弱特征”进行用户风险评估。两种风控方式从操作到场景都呈现出了明显的区别化效应，进入移动互联网时代后，智能风控的优势愈加凸显，成为传统风控的有效补充。 智能风控重大数据、算法和计算能力，强调数据间的相关关系，其在风控环节中的应用主要有以下三点：计算机视觉和生物特征的识别，即利用人脸识别、指纹识别等活体识别来确认用户身份；反欺诈识别，智能风控利用多维度、多特征的数据预测用户的欺诈意愿和倾向；正常用户的还款意愿和能力的评估判断。对于交易、社交、居住环境的稳定性等用户行为数据，运用神经网络、决策树、梯度算法、随机森林等先进的机器学习算法进行加工处理。 就目前的应用情况而言，智能风控模型已具备较好的用户区分度，可以在评估结果中清晰地区分优质和劣质客户，经过技术人员的不断优化迭代，识别精度和判断速度均呈螺旋式上升态势。但是，目前整个行业都面临数据孤岛和信息不透明的问题，行业共债情况得不到共享，部分信息的准确度、覆盖度、权威性和及时性存在明显不足，智能风控技术的提升空间依旧很大。 （整理：王天宇）

　　金融机构在风控过程中通常采用的是评分卡模型和规则引擎等“强特征”进行风险评分，而智能风控根据履约记录、社交行为、行为偏好、身份信息和设备安全等“弱特征”进行用户风险评估。两种风控方式从操作到场景都呈现出了明显的区别化效应，进入移动互联网时代后，智能风控的优势愈加凸显，成为传统风控的有效补充。

　　智能风控重大数据、算法和计算能力，强调数据间的相关关系，其在风控环节中的应用主要有以下三点：计算机视觉和生物特征的识别，即利用人脸识别、指纹识别等活体识别来确认用户身份；反欺诈识别，智能风控利用多维度、多特征的数据预测用户的欺诈意愿和倾向；正常用户的还款意愿和能力的评估判断。对于交易、社交、居住环境的稳定性等用户行为数据，运用神经网络、决策树、梯度算法、随机森林等先进的机器学习算法进行加工处理。

　　就目前的应用情况而言，智能风控模型已具备较好的用户区分度，可以在评估结果中清晰地区分优质和劣质客户，经过技术人员的不断优化迭代，识别精度和判断速度均呈螺旋式上升态势。但是，目前整个行业都面临数据孤岛和信息不透明的问题，行业共债情况得不到共享，部分信息的准确度、覆盖度、权威性和及时性存在明显不足，智能风控技术的提升空间依旧很大。 （整理：王天宇）