灵活地支持人工智能的风控引擎和规则引擎是保证人工智能应用的业务的重要工具。点融的规则引擎同时可以支持简单的条件规则、也可以支持决策树的规则，以及更加复杂的 GBDT 和深度神经网络模型。

　　通过知识图谱我们可以将人群的关系更直接地映射到图数据里，通过这些关系的远近、和异常拓扑结构的识别，我们可以发现更多更深层次的风险模式，通过识别这些模式可以有效地减少团伙欺诈。

　　在风险级别识别和风险定价的模块里。我们会结合三类打分板:专家打分板，传统的逻辑回归打分板以及人工智能打分板在不同场景下针对用户进行不同级别的人群划分。针对不同级别的人群和不同产品的需求我们会试算出针对于该风险人群的定价。

　　我们点融也在积极地将人工智能模型作为主要风控手段迭代改进自己的系统中。

　　同时我们也在应用深度学习解决一些业务冷启动的问题。利用 transfer learning我们可以大大加快模型在新业务数据不足的情况下收敛的速度。

　　总结

　　最后引用薛贵荣博士的博客中一段话：

　　“基于实例的迁移学习的基本思想是，尽管辅助训练数据和源训练数据或多或少会有些不同，但是辅助训练数据中应该还是会存在一部分比较适合用来训练一个有效的分类模型，并且适应测试数据。于是，我们的目标就是从辅助训练数据中找出那些适合测试数据的实例，并将这些实例迁移到源训练数据的学习中去。”

　　如何应用深度学习挖掘一些特殊的特征，比如知识图谱中基于拓扑结构的特征也是我们在积极探索的一些内容。

　　本文作者：单忆南Sync（点融黑帮）， 点融网数据负责人，曾就职于国内、国际大型互联网公司，并从事搜索引擎，搜索广告和电商垂直搜索的研发工作。2015年加入点融，参与组建数据团队，根据公司业务情况建立了从数据仓库、BI、数据挖掘到自主研发的风控引擎的设计和实施。